Fugu-MT 論文翻訳(概要): Remember Intentions: Retrospective-Memory-based Trajectory Prediction

論文の概要: Remember Intentions: Retrospective-Memory-based Trajectory Prediction

arxiv url: http://arxiv.org/abs/2203.11474v1
Date: Tue, 22 Mar 2022 05:59:33 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 05:01:11.666137
Title: Remember Intentions: Retrospective-Memory-based Trajectory Prediction
Title（参考訳）: 思い出の意図:振り返り記憶に基づく軌道予測
Authors: Chenxin Xu, Weibo Mao, Wenjun Zhang, Siheng Chen
Abstract要約: 本稿では,エージェントの動作意図を予測するインスタンスベースのアプローチであるMemoNetを提案する。実験の結果、提案されたMemoNetは以前のSDD/ETH-UCY/NBAデータセットのベストメソッドから20.3%/10.2%/28.3%改善している。
参考スコア（独自算出の注目度）: 31.25007169374468
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To realize trajectory prediction, most previous methods adopt the parameter-based approach, which encodes all the seen past-future instance pairs into model parameters. However, in this way, the model parameters come from all seen instances, which means a huge amount of irrelevant seen instances might also involve in predicting the current situation, disturbing the performance. To provide a more explicit link between the current situation and the seen instances, we imitate the mechanism of retrospective memory in neuropsychology and propose MemoNet, an instance-based approach that predicts the movement intentions of agents by looking for similar scenarios in the training data. In MemoNet, we design a pair of memory banks to explicitly store representative instances in the training set, acting as prefrontal cortex in the neural system, and a trainable memory addresser to adaptively search a current situation with similar instances in the memory bank, acting like basal ganglia. During prediction, MemoNet recalls previous memory by using the memory addresser to index related instances in the memory bank. We further propose a two-step trajectory prediction system, where the first step is to leverage MemoNet to predict the destination and the second step is to fulfill the whole trajectory according to the predicted destinations. Experiments show that the proposed MemoNet improves the FDE by 20.3%/10.2%/28.3% from the previous best method on SDD/ETH-UCY/NBA datasets. Experiments also show that our MemoNet has the ability to trace back to specific instances during prediction, promoting more interpretability.
Abstract（参考訳）: 軌道予測を実現するために、以前の手法ではパラメータベースの手法を採用しており、過去の全てのインスタンスペアをモデルパラメータにエンコードしている。しかし、この方法では、モデルパラメータはすべての参照インスタンスから来るため、大量の無関係な参照インスタンスが現在の状況を予測し、パフォーマンスを阻害する可能性がある。神経心理学におけるふりかえり記憶のメカニズムを模倣し、トレーニングデータに類似したシナリオを求めることにより、エージェントの動き意図を予測するインスタンスベースアプローチであるmemonetを提案する。 MemoNetでは、トレーニングセットに代表インスタンスを明示的に格納し、ニューラルネットワークで前頭前皮質として機能するメモリバンクと、ベースガングリアのように機能するメモリバンクに類似したインスタンスで現在の状況を適応的に検索するトレーニング可能なメモリアドバイザを設計する。予測中、MemoNetはメモリバンク内の関連インスタンスをインデックスするためにメモリアドレサを使用して以前のメモリをリコールする。さらに,2段階の軌道予測システムを提案し,第1ステップはMemoNetを利用して目的地を予測し,第2ステップは予測した目的地に従って軌道全体を満たす。実験の結果、提案されたMemoNetは以前のSDD/ETH-UCY/NBAデータセットのベストメソッドから20.3%/10.2%/28.3%改善している。実験によると、MemoNetは予測中に特定のインスタンスに遡り、より解釈可能性を高めることができる。

関連論文リスト

Pattern-Matching Dynamic Memory Network for Dual-Mode Traffic Prediction [11.99118889081249]
トラフィック予測のためのパターンマッチング動的メモリネットワーク(PM-DMNet)を提案する。 PM-DMNetは、O(N)複雑さだけでトラフィックパターンの特徴を捉えるために、新しい動的メモリネットワークを採用している。提案モデルは既存のベンチマークよりも優れている。
論文参考訳（メタデータ） (2024-08-12T15:12:30Z)
Causal Estimation of Memorisation Profiles [58.20086589761273]
言語モデルにおける記憶の理解は、実践的および社会的意味を持つ。覚書化(英: Memorisation)とは、モデルがそのインスタンスを予測できる能力に対して、あるインスタンスでトレーニングを行うことによる因果的影響である。本稿では,計量学の差分差分設計に基づく,新しい,原理的,効率的な記憶推定法を提案する。
論文参考訳（メタデータ） (2024-06-06T17:59:09Z)
Uncovering the human motion pattern: Pattern Memory-based Diffusion Model for Trajectory Prediction [45.77348842004666]
動作パターン優先記憶ネットワーク(Motion Pattern Priors Memory Network)は、人間の行動に潜む動きパターンを明らかにするためのメモリベースの手法である。メモリバンクから各予測に対して一致したパターンと潜在的なターゲット分布を検索するアドレッシング機構を導入する。提案手法の有効性を検証し,最先端の軌道予測精度を実現する。
論文参考訳（メタデータ） (2024-01-05T17:39:52Z)
Memory-and-Anticipation Transformer for Online Action Understanding [52.24561192781971]
本稿では,過去,現在,未来を含む時間構造全体をモデル化する,メモリ予測に基づく新しいパラダイムを提案する。本稿では,メモリ・アンド・アンティフィケーション・トランスフォーマ(MAT)を提案する。
論文参考訳（メタデータ） (2023-08-15T17:34:54Z)
Memory-Based Meta-Learning on Non-Stationary Distributions [29.443692147512742]
メモリベースのメタラーニングはベイズ最適予測器を近似する手法である。本稿では,Transformer,LSTM,RNNなどのメモリベースニューラルネットワークを用いて,ベイズ最適化アルゴリズムを正確に近似することができることを示す。
論文参考訳（メタデータ） (2023-02-06T19:08:59Z)
On the Relationship Between Variational Inference and Auto-Associative Memory [68.8204255655161]
本フレームワークでは, 変動推論に対する異なるニューラルネットワークアプローチが適用可能であるかを検討する。得られたアルゴリズムをCIFAR10とCLEVRの画像データセットで評価し,他の連想記憶モデルと比較した。
論文参考訳（メタデータ） (2022-10-14T14:18:47Z)
A Memory Transformer Network for Incremental Learning [64.0410375349852]
本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
論文参考訳（メタデータ） (2022-10-10T08:27:28Z)
Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文参考訳（メタデータ） (2022-04-14T17:59:32Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
MANTRA: Memory Augmented Networks for Multiple Trajectory Prediction [26.151761714896118]
メモリ拡張ニューラルネットワークを用いたマルチモーダル軌道予測の問題に対処する。提案手法は、繰り返しニューラルネットワークを用いて過去と将来の軌道埋め込みを学習し、関連性のある外部メモリを活用して、そのような埋め込みを保存・取得する。次に、観測過去の条件付きメモリ内未来の符号化を復号して軌道予測を行う。
論文参考訳（メタデータ） (2020-06-05T09:49:59Z)

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。