論文の概要: Recurrent Encoder-Decoder Networks for Vessel Trajectory Prediction with Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2205.05404v1
• Date: Wed, 11 May 2022 11:01:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 19:35:03.889380
• Title: Recurrent Encoder-Decoder Networks for Vessel Trajectory Prediction with Uncertainty Estimation
• Title（参考訳）: 不確実性推定による船体軌道予測のための再帰的エンコーダ・デコーダネットワーク
• Authors: Samuele Capobianco, Nicola Forti, Leonardo M. Millefiori, Paolo Braca, and Peter Willett
• Abstract要約: 海上監視アプリケーションでは、精度の高い予測の不確実性を確実に定量化することが重要である。 本稿では、再帰型エンコーダデコーダニューラルネットワークの予測方法を検討することにより、トラジェクトリ予測タスクのためのディープラーニングフレームワークを拡張した。 ラベル付き入力データやラベルなし入力データに基づく2つのモデルの予測性能を比較し,不確かさの定量化と精度の向上について述べる。
• 参考スコア（独自算出の注目度）: 10.262354603266639
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent deep learning methods for vessel trajectory prediction are able to learn complex maritime patterns from historical Automatic Identification System (AIS) data and accurately predict sequences of future vessel positions with a prediction horizon of several hours. However, in maritime surveillance applications, reliably quantifying the prediction uncertainty can be as important as obtaining high accuracy. This paper extends deep learning frameworks for trajectory prediction tasks by exploring how recurrent encoder-decoder neural networks can be tasked not only to predict but also to yield a corresponding prediction uncertainty via Bayesian modeling of epistemic and aleatoric uncertainties. We compare the prediction performance of two different models based on labeled or unlabeled input data to highlight how uncertainty quantification and accuracy can be improved by using, if available, additional information on the intention of the ship (e.g., its planned destination).
• Abstract（参考訳）: 船舶軌道予測のための最近の深層学習手法は, 過去の自動識別システム(AIS)データから複雑な海洋パターンを学習し, 数時間の予測地平線で将来の船舶位置のシーケンスを正確に予測することができる。 しかし、海上監視アプリケーションでは、精度の高い予測の不確実性を確実に定量化することが重要である。 本稿では,再帰的なエンコーダ・デコーダ・ニューラルネットの振舞いの予測だけでなく,ベイジアンモデルによる認識の不確かさの予測も行うことで,軌跡予測タスクのディープラーニングフレームワークを拡張した。 ラベル付きまたはラベル付き入力データに基づく2つの異なるモデルの予測性能を比較し,不確かさの定量化と精度の向上を,船(例えば,予定の目的地)の意図に関する追加情報を用いて強調する。

関連論文リスト

• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Uncertainty-Aware Multiple Instance Learning fromLarge-Scale Long Time Series Data [20.2087807816461]
  本稿では,最も関連性の高い周期自動識別のための不確実性認識型マルチインスタンス(MIL)フレームワークを提案する。 さらに、別のモデルを訓練し、不確実性を考慮した融合を行うことにより、信頼できない予測を調整できる別のモダリティを組み込む。 実験結果から, 提案手法は, 軌道に基づく容器の形状を効果的に検出できることを示した。
  論文  参考訳（メタデータ） (2021-11-16T17:09:02Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies [1.525943491541265]
  本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。 本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
  論文  参考訳（メタデータ） (2021-07-04T06:31:59Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)

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。