論文の概要: An Automated Analysis Framework for Trajectory Datasets

• arxiv url: http://arxiv.org/abs/2202.07438v1
• Date: Sat, 12 Feb 2022 10:55:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 15:05:40.782435
• Title: An Automated Analysis Framework for Trajectory Datasets
• Title（参考訳）: 軌道データセットの自動解析フレームワーク
• Authors: Christoph Glasmacher, Robert Krajewski, Lutz Eckstein
• Abstract要約: 近年,自動走行車の安全性検証において,道路利用者の軌道データセットの重要性が高まっている。 10万以上のトラックを持ついくつかの自然主義的な軌道データセットがリリースされ、それに続くものもリリースされる。 この量のデータを考えると、これらのデータセットを奥行きで簡単に比較できる必要がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory datasets of road users have become more important in the last years for safety validation of highly automated vehicles. Several naturalistic trajectory datasets with each more than 10.000 tracks were released and others will follow. Considering this amount of data, it is necessary to be able to compare these datasets in-depth with ease to get an overview. By now, the datasets' own provided information is mainly limited to meta-data and qualitative descriptions which are mostly not consistent with other datasets. This is insufficient for users to differentiate the emerging datasets for application-specific selection. Therefore, an automated analysis framework is proposed in this work. Starting with analyzing individual tracks, fourteen elementary characteristics, so-called detection types, are derived and used as the base of this framework. To describe each traffic scenario precisely, the detections are subdivided into common metrics, clustering methods and anomaly detection. Those are combined using a modular approach. The detections are composed into new scores to describe three defined attributes of each track data quantitatively: interaction, anomaly and relevance. These three scores are calculated hierarchically for different abstract layers to provide an overview not just between datasets but also for tracks, spatial regions and individual situations. So, an objective comparison between datasets can be realized. Furthermore, it can help to get a deeper understanding of the recorded infrastructure and its effect on road user behavior. To test the validity of the framework, a study is conducted to compare the scores with human perception. Additionally, several datasets are compared.
• Abstract（参考訳）: 近年,高度自動化車両の安全性検証において,道路利用者の軌道データセットの重要性が高まっている。 10万以上のトラックを持ついくつかの自然主義的軌道データセットがリリースされ、その他のデータセットが従う。 このデータ量を考慮すると、これらのデータセットを詳細に比較し、概観を得られるようにする必要があります。 現在までに、データセットの提供する情報は、主に、他のデータセットと一致しないメタデータと質的記述に限定されている。 これは、アプリケーション固有の選択のための新興データセットを区別するには不十分である。 そこで本研究では,自動分析フレームワークを提案する。 個々の線路の分析から、14の基本的な特徴、いわゆる検出型が導出され、この枠組みの基盤となっている。 各トラフィックシナリオを正確に記述するために、検出は共通メトリクス、クラスタリングメソッド、異常検出に分割される。 これらはモジュラーアプローチで結合される。 検出は、各トラックデータの3つの定義された属性を定量的に記述するために、新しいスコアで構成される。 これらの3つのスコアは、異なる抽象層に対して階層的に計算され、データセットだけでなく、トラック、空間領域、個々の状況についても概要を提供する。 したがって、データセット間の客観的比較を実現することができる。 さらに、記録されたインフラの深い理解と、それが道路利用者の行動に与える影響を理解するのに役立つ。 フレームワークの有効性を検証するため,評価スコアと人間の知覚を比較検討した。 さらに、いくつかのデータセットを比較する。

関連論文リスト

• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Detection Hub: Unifying Object Detection Datasets via Query Adaptation on Language Embedding [137.3719377780593]
  新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。 データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。 データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
  論文  参考訳（メタデータ） (2022-06-07T17:59:44Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Geometric Dataset Distances via Optimal Transport [15.153110906331733]
  本稿では, (i) モデルに依存しない, (ii) トレーニングを伴わない, (iii) ラベル集合が完全に不連結であり, (iv) 理論的な足場が固い場合でも, データセットを比較できる,という,データセット間の距離の代替概念を提案する。 この距離は最適な輸送に依存しており、リッチな幾何学的認識、解釈可能な対応およびよく理解された性質を提供する。 以上の結果から,この新たな距離は,データセットの有意義な比較を提供し,様々な実験環境やデータセット間での伝達学習困難度と相関関係があることが示唆された。
  論文  参考訳（メタデータ） (2020-02-07T17:51:26Z)

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。