論文の概要: CSCNet: Contextual Semantic Consistency Network for Trajectory
Prediction in Crowded Spaces
- arxiv url: http://arxiv.org/abs/2202.08506v1
- Date: Thu, 17 Feb 2022 08:20:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 14:27:06.788042
- Title: CSCNet: Contextual Semantic Consistency Network for Trajectory
Prediction in Crowded Spaces
- Title（参考訳）: CSCNet:クラウド空間における軌道予測のための文脈意味一貫性ネットワーク
- Authors: Beihao Xia, Conghao Wong, Qinmu Peng, Wei Yuan, and Xinge You
- Abstract要約: 軌道予測は、歩行者、バイカー、車両などのエージェントの移動傾向を予測することを目的としている。
現在の手法は、社会的相互作用とシーンの物理的な制約の下で、エージェントの将来の軌跡を研究することを目的としている。
我々は,エージェントの将来の活動を予測するために,強力な,効率的なコンテキスト制約を用いたtextbfCSCNetを提案する。
- 参考スコア（独自算出の注目度）: 13.852438858342076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction aims to predict the movement trend of the agents like
pedestrians, bikers, vehicles. It is helpful to analyze and understand human
activities in crowded spaces and widely applied in many areas such as
surveillance video analysis and autonomous driving systems. Thanks to the
success of deep learning, trajectory prediction has made significant progress.
The current methods are dedicated to studying the agents' future trajectories
under the social interaction and the sceneries' physical constraints. Moreover,
how to deal with these factors still catches researchers' attention. However,
they ignore the \textbf{Semantic Shift Phenomenon} when modeling these
interactions in various prediction sceneries. There exist several kinds of
semantic deviations inner or between social and physical interactions, which we
call the "\textbf{Gap}". In this paper, we propose a \textbf{C}ontextual
\textbf{S}emantic \textbf{C}onsistency \textbf{Net}work (\textbf{CSCNet}) to
predict agents' future activities with powerful and efficient context
constraints. We utilize a well-designed context-aware transfer to obtain the
intermediate representations from the scene images and trajectories. Then we
eliminate the differences between social and physical interactions by aligning
activity semantics and scene semantics to cross the Gap. Experiments
demonstrate that CSCNet performs better than most of the current methods
quantitatively and qualitatively.
- Abstract（参考訳）: 軌道予測は、歩行者、バイカー、車両などのエージェントの動き傾向を予測することを目的としている。
混雑した空間における人間の活動の分析と理解に役立ち、監視ビデオ分析や自動運転システムなど、多くの分野に広く適用されている。
ディープラーニングの成功のおかげで、軌道予測は大幅に進歩した。
現在の方法は、社会的相互作用と風景の物理的制約の下でエージェントの将来の軌跡を研究することに専念している。
さらに、これらの要因をどう扱うかは研究者の注意を引いている。
しかし、これらの相互作用を様々な予測シーンでモデル化する際には、textbf{Semantic Shift Phenomenon} を無視する。
社会的相互作用と物理的相互作用の間にはいくつかの意味的偏差があり、「\textbf{Gap}」と呼ばれる。
本稿では,コンテキスト制約が強力かつ効率的なエージェントの将来の活動を予測するための \textbf{c}ontextual \textbf{s}emantic \textbf{c}onsistency \textbf{net}work (\textbf{cscnet})を提案する。
シーン画像と軌跡から中間表現を得るために,よく設計されたコンテキスト認識転送を利用する。
そして,活動意味論とシーン意味論を連携させてギャップを横切ることによって,社会的・身体的相互作用の違いを解消する。
実験により、CSCNetは現在のほとんどの手法よりも定量的に質的に優れた性能を示した。
関連論文リスト
- Flow-guided Motion Prediction with Semantics and Dynamic Occupancy Grid Maps [5.9803668726235575]
OGM(Occupancy Grid Maps)は、一般的にシーン予測に使用される。
近年,OGMと深層学習を併用してシーンの進化を予測する手法が研究されている。
我々は,動的なOGMとセマンティック情報を利用して,将来の車両セマンティックグリッドとシーンの将来の流れを予測できる新しいマルチタスクフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-22T14:42:34Z) - Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。
提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
論文 参考訳（メタデータ） (2023-12-26T18:56:49Z) - GIMO: Gaze-Informed Human Motion Prediction in Context [75.52839760700833]
本研究では、高品質なボディポーズシーケンス、シーンスキャン、目視によるエゴ中心のビューを提供する大規模な人体動作データセットを提案する。
私たちのデータ収集は特定のシーンに縛られません。
視線の全可能性を実現するために,視線と運動枝の双方向通信を可能にする新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-04-20T13:17:39Z) - SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian
Trajectory Prediction [59.064925464991056]
ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。
SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。
公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
論文 参考訳（メタデータ） (2021-12-05T01:49:18Z) - SCAN: A Spatial Context Attentive Network for Joint Multi-Agent Intent
Prediction [4.507860128918788]
textbfSCANは、新しい空間的注意機構を用いて、空間的に近接した隣人の影響を符号化する。
提案手法は,予測意図の精度の観点から,アートトラジェクトリ予測手法の精度を定量的に向上させることができる。
論文 参考訳（メタデータ） (2021-01-29T23:35:00Z) - End-to-end Contextual Perception and Prediction with Interaction
Transformer [79.14001602890417]
我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。
空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。
私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
論文 参考訳（メタデータ） (2020-08-13T14:30:12Z) - Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware
Probabilistic Prediction [29.623692599892365]
交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。
本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
論文 参考訳（メタデータ） (2020-04-07T00:34:36Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z) - MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory
Prediction in Mixed Traffic [35.22312783822563]
都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。
本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。
推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
論文 参考訳（メタデータ） (2020-02-14T11:04:41Z)
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。