Fugu-MT 論文翻訳(概要): SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers

論文の概要: SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers

arxiv url: http://arxiv.org/abs/2201.06390v1
Date: Mon, 17 Jan 2022 12:58:45 GMT
ステータス: 処理完了
システム内更新日: 2022-01-20 10:36:29.527943
Title: SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers
Title（参考訳）: SwinUNet3D - シフトウィンドウ変換器を用いたディープトラフィック予測のための階層アーキテクチャ
Authors: Alabi Bojesomo and Hasan Al Marzouqi and Panos Liatsis
Abstract要約: 本稿では,UNet設定における視覚変換器の利用について検討する。 UNetのすべての畳み込みベースのビルディングブロックを完全に取り除き、エンコーダとデコーダの両方で3Dシフトトランスフォーマーを使用します。 The proposed network is test on the data on Traffic Map Movie Forecasting Challenge 2021 (Traffic4cast), held in the competition of Neural Information Processing Systems (eurIPS)。
参考スコア（独自算出の注目度）: 5.414308305392762
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traffic forecasting is an important element of mobility management, an important key that drives the logistics industry. Over the years, lots of work have been done in Traffic forecasting using time series as well as spatiotemporal dynamic forecasting. In this paper, we explore the use of vision transformer in a UNet setting. We completely remove all convolution-based building blocks in UNet, while using 3D shifted window transformer in both encoder and decoder branches. In addition, we experiment with the use of feature mixing just before patch encoding to control the inter-relationship of the feature while avoiding contraction of the depth dimension of our spatiotemporal input. The proposed network is tested on the data provided by Traffic Map Movie Forecasting Challenge 2021(Traffic4cast2021), held in the competition track of Neural Information Processing Systems (NeurIPS). Traffic4cast2021 task is to predict an hour (6 frames) of traffic conditions (volume and average speed)from one hour of given traffic state (12 frames averaged in 5 minutes time span). Source code is available online at https://github.com/bojesomo/Traffic4Cast2021-SwinUNet3D.
Abstract（参考訳）: 交通予測はロジスティクス産業を牽引する重要な鍵であるモビリティマネジメントの重要な要素である。長年にわたり、時系列と時空間的動的予測を用いた交通予測において多くの作業が行われている。本稿では,UNet設定における視覚変換器の利用について検討する。 UNetのすべてのコンボリューションベースのビルディングブロックを完全に取り除き、エンコーダとデコーダの両方で3Dシフトウィンドウトランスフォーマーを使用します。さらに,パッチエンコーディング直前に特徴混合を用いて特徴の相互関係を制御し,時空間入力の深さ次元の縮小を回避する実験を行った。提案するネットワークは,ニューラル情報処理システム(NeurIPS)の競合トラックで開催されるTraffic4cast2021(Traffic4cast2021)によって提供されるデータに基づいてテストされる。 Traffic4cast2021タスクは、与えられたトラフィック状態の1時間(平均5分で平均12フレーム)から、トラフィック条件(ボリュームと平均速度)の1時間(6フレーム)を予測する。ソースコードはhttps://github.com/bojesomo/traffic4cast2021-swinunet3dで入手できる。

関連論文リスト

Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction [10.722455633629883]
本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
論文参考訳（メタデータ） (2023-10-12T13:44:35Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
A Novel Framework for Handling Sparse Data in Traffic Forecast [1.6549126148958608]
道路毎にスパースと時間発展のトラフィックレポートを生成する。本稿では,近年の少ない交通情報を符号化し,将来的な交通状況を予測するディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-01-12T21:07:04Z)
Multi-task Learning for Sparse Traffic Forecasting [13.359590890052454]
本稿では,各道路セグメントの混雑クラスと速度を同時に予測できるマルチタスク学習ネットワークを提案する。提案手法はTraffic4cast Competition 2022で提供されたデータセットにおいて,ソースコードをhttps://github.com/OctopusLi/NeurIPS2022-traffic4castで公開しています。
論文参考訳（メタデータ） (2022-11-18T02:10:40Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
S2TNet: Spatio-Temporal Transformer Networks for Trajectory Prediction in Autonomous Driving [7.862992905548721]
本稿では,S時間変換器による時空間相互作用をモデル化し,時空間変換器によるテンポレルシーケンスを扱うS2TNetを提案する。この手法は、ApolloScape Trajectoryデータセットにおける最先端の手法を平均と最終変位誤差の重み付け和で7%以上上回る。
論文参考訳（メタデータ） (2022-06-22T08:12:31Z)
Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文参考訳（メタデータ） (2022-03-23T11:33:27Z)
Traffic4cast -- Large-scale Traffic Prediction using 3DResNet and Sparse-UNet [2.568084386350801]
本研究の目的は、歴史的データポイントを用いて、複数の都市における正常化された平均交通速度とサブリージョンの流れを予測する機械学習モデルを構築することである。本大会では3DRparseNetes と Sparse-UNet の3つの課題について検討する。この結果から,提案モデルがベースラインアルゴリズムよりもはるかに優れた性能を示した。
論文参考訳（メタデータ） (2021-11-10T23:40:52Z)
Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
論文参考訳（メタデータ） (2021-03-22T18:00:13Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2020-12-09T06:42:30Z)

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。