Fugu-MT 論文翻訳(概要): Uncertainty estimation for Cross-dataset performance in Trajectory prediction

論文の概要: Uncertainty estimation for Cross-dataset performance in Trajectory prediction

arxiv url: http://arxiv.org/abs/2205.07310v1
Date: Sun, 15 May 2022 15:28:02 GMT
ステータス: 処理完了
システム内更新日: 2022-05-17 17:00:19.758380
Title: Uncertainty estimation for Cross-dataset performance in Trajectory prediction
Title（参考訳）: 軌道予測におけるクロスデータセット性能の不確かさ推定
Authors: Thomas Gilles, Stefano Sabatini, Dzmitry Tsishkou, Bogdan Stanciulescu, Fabien Moutarde
Abstract要約: 本研究では,4つのデータセット間での最先端軌跡予測手法の性能について検討した。我々は、どのデータセットが他で最もうまく機能するかを強調し、不確実性推定がより優れた転送可能なパフォーマンスを実現する方法について研究する。
参考スコア（独自算出の注目度）: 1.9399281609371257
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: While a lot of work has been done on developing trajectory prediction methods, and various datasets have been proposed for benchmarking this task, little study has been done so far on the generalizability and the transferability of these methods across dataset. In this paper, we study the performance of a state-of-the-art trajectory prediction method across four different datasets (Argoverse, NuScenes, Interaction, Shifts). We first check how a similar method can be applied and trained on all these datasets with similar hyperparameters. Then we highlight which datasets work best on others, and study how uncertainty estimation allows for a better transferable performance; proposing a novel way to estimate uncertainty and to directly use it in prediction.
Abstract（参考訳）: 軌道予測手法の開発には多くの研究が行われており、このタスクをベンチマークするために様々なデータセットが提案されているが、これらの手法がデータセットをまたいだ一般化可能性と転送可能性に関する研究はほとんど行われていない。本稿では,4つのデータセット(Argoverse, NuScenes, Interaction, Shifts)における最先端軌跡予測手法の性能について検討する。まず、同様の方法が適用され、同様のハイパーパラメータを持つすべてのデータセット上でトレーニングされるかを確認します。次に、どのデータセットが他の人に最も適しているかを強調し、不確実性推定がより良い転送可能なパフォーマンスを実現する方法について研究する。

関連論文リスト

Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
論文参考訳（メタデータ） (2024-10-31T19:42:42Z)
Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。本稿では,軌道予測作業に適した認証手法を提案する。非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文参考訳（メタデータ） (2024-03-20T17:41:35Z)
Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-03-14T14:23:23Z)
Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation [41.09061877498741]
外部要因とデータ取得戦略によるデータセット間での相違がある。大規模データセットでトレーニングされたモデルの熟練した性能は、他の小規模データセットでの転送可能性に制限がある。本稿では,ニューラル微分方程式(NSDE)の連続的利用に基づく不一致の緩和手法を提案する。提案手法の有効性は,一般的なベンチマークデータセットであるnuScenes,Argoverse,Lyft,InterinterAction,Open Motionデータセット上で,最先端の軌道予測モデルに対して検証される。
論文参考訳（メタデータ） (2023-12-26T06:50:29Z)
A Supervised Contrastive Learning Pretrain-Finetune Approach for Time Series [15.218841180577135]
本稿では,教師付きコントラスト学習を利用して,事前学習データセット内の特徴を識別する新しい事前学習手法を提案する。次に、事前学習データセットの学習力学とより密に連携することで、目標データの正確な予測を強化するための微調整手順を提案する。
論文参考訳（メタデータ） (2023-11-21T02:06:52Z)
Trajectory Test-Train Overlap in Next-Location Prediction Datasets [5.039138978031649]
次の位置予測は、都市計画、ジオマーケティング、病気の普及など、いくつかの分野で重要な意味を持つ。本稿では,これらの予測器の公共モビリティデータセット上での一般化能力を検証した。本研究では,空間移動パターンに基づく次位置予測器の出力を再現する手法を提案する。
論文参考訳（メタデータ） (2022-03-07T08:39:45Z)
Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文参考訳（メタデータ） (2022-02-03T09:09:56Z)
Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文参考訳（メタデータ） (2022-01-11T23:01:12Z)
You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文参考訳（メタデータ） (2021-10-11T14:24:15Z)
Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文参考訳（メタデータ） (2020-08-10T17:09:16Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。