論文の概要: TraClets: Harnessing the power of computer vision for trajectory
classification
- arxiv url: http://arxiv.org/abs/2205.13880v2
- Date: Mon, 30 May 2022 11:38:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 12:01:47.227940
- Title: TraClets: Harnessing the power of computer vision for trajectory
classification
- Title(参考訳): TraClets: 軌跡分類のためのコンピュータビジョンのパワーを損なう
- Authors: Ioannis Kontopoulos, Antonios Makris, Konstantinos Tserpes, Vania
Bogorny
- Abstract要約: この研究は、トラジェクトリを直感的な人間の方法で分類するために、トラジェクトリと呼ばれるトラジェクトリの画像表現を利用する。
いくつかの実世界のデータセットを用いて提案手法を評価し、その分類性能を他の最先端軌跡分類アルゴリズムと比較する。
- 参考スコア(独自算出の注目度): 0.9405458160620532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the advent of new mobile devices and tracking sensors in recent years,
huge amounts of data are being produced every day. Therefore, novel
methodologies need to emerge that dive through this vast sea of information and
generate insights and meaningful information. To this end, researchers have
developed several trajectory classification algorithms over the years that are
able to annotate tracking data. Similarly, in this research, a novel
methodology is presented that exploits image representations of trajectories,
called TraClets, in order to classify trajectories in an intuitive humans way,
through computer vision techniques. Several real-world datasets are used to
evaluate the proposed approach and compare its classification performance to
other state-of-the-art trajectory classification algorithms. Experimental
results demonstrate that TraClets achieves a classification performance that is
comparable to, or in most cases, better than the state-of-the-art, acting as a
universal, high-accuracy approach for trajectory classification.
- Abstract(参考訳): 近年、新しいモバイルデバイスやトラッキングセンサーが登場し、大量のデータが毎日作成されている。
したがって、この広大な情報の海を潜り抜け、洞察と意味のある情報を生み出す新しい手法が現れる必要がある。
この目的のために、研究者は追跡データを注釈付けできる軌道分類アルゴリズムを何年もかけて開発してきた。
同様に、コンピュータビジョン技術を用いて、直観的な人間の方法で軌跡を分類するために、トラクレットと呼ばれる軌跡の画像表現を利用する新しい方法論が提示されている。
いくつかの実世界のデータセットを用いて提案手法を評価し、その分類性能を他の最先端軌跡分類アルゴリズムと比較する。
実験の結果, トラクレットは, トラジェクトリ分類の汎用的, 高精度な手法として, 最先端技術に匹敵する, あるいはほとんどの場合において, 分類性能を達成していることがわかった。
関連論文リスト
- Rank Flow Embedding for Unsupervised and Semi-Supervised Manifold
Learning [9.171175292808144]
本稿では,教師なしおよび半教師付きシナリオに対するランクフロー埋め込み (RFE) という新しい多様体学習アルゴリズムを提案する。
RFEは文脈に敏感な埋め込みを計算し、それはランクベースの処理フローに従って洗練される。
生成された埋め込みは、より効果的な教師なし検索や半教師付き分類に利用することができる。
論文 参考訳(メタデータ) (2023-04-24T21:02:12Z) - A Semi-supervised Approach for Activity Recognition from Indoor
Trajectory Data [0.822021749810331]
協調生産環境において, 騒音の多い室内軌道データから移動物体の動作を分類する作業について検討する。
本稿では,まず情報理論の基準を適用し,長い軌道をセグメントに分割する半教師付き機械学習手法を提案する。
セグメントは制約付き階層的クラスタリング法に基づいて自動的にラベル付けされる。
論文 参考訳(メタデータ) (2023-01-09T01:20:50Z) - Estimator: An Effective and Scalable Framework for Transportation Mode
Classification over Trajectories [22.704053034976784]
本稿では,GPS トラジェクトリを用いた移動モード分類のための効果的でスケーラブルなフレームワーク Estimator を提案する。
推定器は交通条件に応じて交通空間全体を空間領域に分割し,スケーラビリティを著しく向上させる。
Estimatorはより優れたモデルの有効性(精度99%、F1スコア0.98)を実現し、最先端の学習手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-12-11T13:32:49Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - Classifying Spatial Trajectories [13.200502573462712]
空間表現のみを用いた軌道の分類法に関する総合的研究
データ駆動方式で軌道をベクトル化して、関連するランドマークを選択する方法が、最も有効であることが証明された。
論文 参考訳(メタデータ) (2022-09-03T04:17:39Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。
合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文 参考訳(メタデータ) (2022-02-04T15:46:27Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳(メタデータ) (2021-11-09T13:30:34Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳(メタデータ) (2020-12-03T18:48:39Z) - Neural Networks as Functional Classifiers [0.0]
我々は、分類問題のために、注目すべき深層学習手法を機能データ領域に拡張する。
本手法の有効性を,分光データの分類などの多くの分類応用において強調する。
論文 参考訳(メタデータ) (2020-10-09T00:11:01Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳(メタデータ) (2020-09-08T07:29:05Z)
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。