Fugu-MT 論文翻訳(概要): TPAD: Identifying Effective Trajectory Predictions Under the Guidance of Trajectory Anomaly Detection Model

論文の概要: TPAD: Identifying Effective Trajectory Predictions Under the Guidance of Trajectory Anomaly Detection Model

arxiv url: http://arxiv.org/abs/2201.02941v1
Date: Sun, 9 Jan 2022 06:50:39 GMT
ステータス: 処理完了
システム内更新日: 2022-01-11 16:51:10.305774
Title: TPAD: Identifying Effective Trajectory Predictions Under the Guidance of Trajectory Anomaly Detection Model
Title（参考訳）: TPAD:軌道異常検出モデルによる効果的な軌道予測の同定
Authors: Chunnan Wang, Chen Liang, Xiang Chen and Hongzhi Wang
Abstract要約: 軌道予測(TP)はコンピュータビジョンとロボティクス分野における重要な研究課題である。本稿では,軌道異常検出(AD)技術に基づく新しいTP評価手法であるTPADを提案する。 TPADでは、まず自動機械学習(Automated Machine Learning, AutoML)技術とADおよびTPフィールドの経験を組み合わせることで、効果的なADモデルを自動的に設計する。
参考スコア（独自算出の注目度）: 17.43523652816147
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory Prediction (TP) is an important research topic in computer vision and robotics fields. Recently, many stochastic TP models have been proposed to deal with this problem and have achieved better performance than the traditional models with deterministic trajectory outputs. However, these stochastic models can generate a number of future trajectories with different qualities. They are lack of self-evaluation ability, that is, to examine the rationality of their prediction results, thus failing to guide users to identify high-quality ones from their candidate results. This hinders them from playing their best in real applications. In this paper, we make up for this defect and propose TPAD, a novel TP evaluation method based on the trajectory Anomaly Detection (AD) technique. In TPAD, we firstly combine the Automated Machine Learning (AutoML) technique and the experience in the AD and TP field to automatically design an effective trajectory AD model. Then, we utilize the learned trajectory AD model to examine the rationality of the predicted trajectories, and screen out good TP results for users. Extensive experimental results demonstrate that TPAD can effectively identify near-optimal prediction results, improving stochastic TP models' practical application effect.
Abstract（参考訳）: 軌道予測(TP)はコンピュータビジョンとロボティクス分野における重要な研究課題である。近年、この問題に対処するために多くの確率的TPモデルが提案され、決定論的軌道出力を持つ従来のモデルよりも優れた性能を実現している。しかし、これらの確率モデルは様々な性質を持つ将来の軌道を生成することができる。自己評価能力の欠如、すなわち、予測結果の合理性を調べるため、ユーザの候補結果から高品質なものを識別する指針を欠いている。これにより、実際のアプリケーションで最善を尽くすのを妨げる。本稿では,この欠陥を補足し,軌道異常検出(AD)技術に基づく新しいTP評価手法であるTPADを提案する。 TPADでは、まず自動機械学習(Automated Machine Learning, AutoML)技術とADおよびTPフィールドの経験を組み合わせて、効果的なADモデルを自動的に設計する。次に,学習軌跡ADモデルを用いて,予測軌跡の合理性を検証し,ユーザにとってよいTP結果を確認する。広範な実験結果から, TPAD は確率的 TP モデルの実用的応用効果を向上させることにより, 近似予測結果を効果的に同定できることが示されている。

関連論文リスト

Motion Forecasting via Model-Based Risk Minimization [8.766024024417316]
複数モデルの予測に基づく軌道予測に適用可能な新しいサンプリング手法を提案する。まず、予測確率に基づく従来のサンプリングは、モデル間のアライメントの欠如により性能を低下させることができることを示す。基礎学習者として最先端モデルを用いて,最適軌道サンプリングのための多種多様な効果的なアンサンブルを構築した。
論文参考訳（メタデータ） (2024-09-16T09:03:28Z)
Unveiling the Flaws: A Critical Analysis of Initialization Effect on Time Series Anomaly Detection [6.923007095578702]
時系列異常検出(TSAD)のための深層学習は,過去10年間で大きな注目を集めている。近年の研究はこれらのモデルに疑問を呈し、その成果は欠陥評価技術に寄与している。本稿では,TSADモデルの性能に対する影響を批判的に分析する。
論文参考訳（メタデータ） (2024-08-13T04:08:17Z)
GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。 GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
論文参考訳（メタデータ） (2024-04-09T05:51:40Z)
Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。本稿では,軌道予測作業に適した認証手法を提案する。非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文参考訳（メタデータ） (2024-03-20T17:41:35Z)
AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。手作り正則化技術を用いた頑健な微調整への最近のアプローチ我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
論文参考訳（メタデータ） (2024-01-18T18:58:49Z)
DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
論文参考訳（メタデータ） (2023-10-23T05:04:23Z)
RAFT: Reward rAnked FineTuning for Generative Foundation Model Alignment [32.752633250862694]
生成基礎モデルは、広範囲の教師なしのトレーニングデータから生じる暗黙のバイアスに影響を受けやすい。我々は、生成モデルを効果的に整合させるために設計された新しいフレームワーク、Reward rAnked FineTuningを紹介する。
論文参考訳（メタデータ） (2023-04-13T18:22:40Z)
Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-10-07T02:12:34Z)
Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文参考訳（メタデータ） (2022-01-11T23:01:12Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文参考訳（メタデータ） (2020-12-08T18:03:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。