論文の概要: Social Interpretable Tree for Pedestrian Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2205.13296v1
• Date: Thu, 26 May 2022 12:18:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 14:31:06.107341
• Title: Social Interpretable Tree for Pedestrian Trajectory Prediction
• Title（参考訳）: 歩行者軌道予測のための社会解釈木
• Authors: Liushuai Shi, Le Wang, Chengjiang Long, Sanping Zhou, Fang Zheng, Nanning Zheng, Gang Hua
• Abstract要約: 本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
• 参考スコア（独自算出の注目度）: 75.81745697967608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the multiple socially-acceptable future behaviors is an essential task for many vision applications. In this paper, we propose a tree-based method, termed as Social Interpretable Tree (SIT), to address this multi-modal prediction task, where a hand-crafted tree is built depending on the prior information of observed trajectory to model multiple future trajectories. Specifically, a path in the tree from the root to leaf represents an individual possible future trajectory. SIT employs a coarse-to-fine optimization strategy, in which the tree is first built by high-order velocity to balance the complexity and coverage of the tree and then optimized greedily to encourage multimodality. Finally, a teacher-forcing refining operation is used to predict the final fine trajectory. Compared with prior methods which leverage implicit latent variables to represent possible future trajectories, the path in the tree can explicitly explain the rough moving behaviors (e.g., go straight and then turn right), and thus provides better interpretability. Despite the hand-crafted tree, the experimental results on ETH-UCY and Stanford Drone datasets demonstrate that our method is capable of matching or exceeding the performance of state-of-the-art methods. Interestingly, the experiments show that the raw built tree without training outperforms many prior deep neural network based approaches. Meanwhile, our method presents sufficient flexibility in long-term prediction and different best-of-$K$ predictions.
• Abstract（参考訳）: 複数の社会的に受け入れられる将来の振る舞いを理解することは、多くのビジョンアプリケーションにとって必須のタスクです。 本稿では,このマルチモーダル予測課題に対処するために, 観測軌道の事前情報に基づいて手作り木を構築し, 将来の複数の軌道をモデル化する, ソーシャル・解釈可能木(sit)と呼ばれる木ベース手法を提案する。 具体的には、木の根から葉への経路は、個々の将来の軌跡を表す。 SITは、木を高次速度で構築し、木の複雑さとカバレッジをバランスさせ、マルチモダリティを促進するために優雅に最適化する粗大な最適化戦略を採用している。 最後に,教師強制精錬操作を用いて最終微視的軌跡を予測する。 潜在的な将来の軌跡を表すために暗黙の潜伏変数を利用する従来の方法と比較すると、木の中の経路は粗い動き(例えば、まっすぐにして右に曲がる)を明示的に説明することができ、より良い解釈性を提供する。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。 興味深いことに、トレーニングなしで構築された生のツリーは、従来のディープニューラルネットワークベースのアプローチを上回っている。 一方,本手法は長期予測に十分な柔軟性を示し,K$の予測値が異なる。

関連論文リスト

• Deep Trees for (Un)structured Data: Tractability, Performance, and Interpretability [4.462264781248437]
  汎用ソフトツリー(GST)を導入し、ソフト決定木(ST)を拡張し、画像を直接処理できる。 トラクタビリティ、パフォーマンス、解釈可能性に関して、これらの利点を示します。 我々は,MIMIC-IV,MNIST,Fashion MNIST,CIFAR-10,Celeb-Aなどのベンチマークデータセットを用いて,GSTの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-28T23:02:41Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
  メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。 我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
  論文  参考訳（メタデータ） (2024-02-06T07:40:53Z)
• ViTree: Single-path Neural Tree for Step-wise Interpretable Fine-grained Visual Categorization [56.37520969273242]
  細かな視覚分類のための新しいアプローチであるViTreeを紹介する。 ツリーパスをトラバースすることで、ViTreeは変換処理された機能からパッチを効果的に選択し、情報のあるローカルリージョンをハイライトする。 このパッチとパスの選択性は、ViTreeのモデルの解釈可能性を高め、モデルの内部動作に関するより良い洞察を可能にする。
  論文  参考訳（メタデータ） (2024-01-30T14:32:25Z)
• Hierarchical Shrinkage: improving the accuracy and interpretability of tree-based methods [10.289846887751079]
  木構造を改変しないポストホックアルゴリズムである階層収縮(Hierarchical Shrinkage, HS)を導入する。 HSは、他の正規化技術と併用しても、決定木の予測性能を大幅に向上させる。 すべてのコードとモデルはGithubにある本格的なパッケージでリリースされている。
  論文  参考訳（メタデータ） (2022-02-02T02:43:23Z)
• Dive into Decision Trees and Forests: A Theoretical Demonstration [0.0]
  決定木は"divide-and-conquer"の戦略を使用して、入力機能とラベル間の依存性に関する複雑な問題を小さなものに分割します。 近年, 計算広告, 推薦システム, 情報検索などの性能が大幅に向上している。
  論文  参考訳（メタデータ） (2021-01-20T16:47:59Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。