論文の概要: Golfer: Trajectory Prediction with Masked Goal Conditioning MnM Network

• arxiv url: http://arxiv.org/abs/2207.00738v1
• Date: Sat, 2 Jul 2022 04:57:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 16:30:40.039520
• Title: Golfer: Trajectory Prediction with Masked Goal Conditioning MnM Network
• Title（参考訳）: ゴールコンディショニングmnmネットワークを用いたゴルフ選手の軌道予測
• Authors: Xiaocheng Tang, Soheil Sadeghi Eshkevari, Haoyu Chen, Weidan Wu, Wei Qian, Xiaoming Wang
• Abstract要約: AV軌道予測のための新しいマスク付き目標条件付きトレーニング手順を備えたトランスフォーマー型アーキテクチャモジュールMnMネットワークを提案する。 ゴルファーと名付けられたこのモデルは、2022年のオープンモーション予測チャレンジで2位を獲得し、minADEで1位にランクインした。
• 参考スコア（独自算出の注目度）: 16.393675040056397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformers have enabled breakthroughs in NLP and computer vision, and have recently began to show promising performance in trajectory prediction for Autonomous Vehicle (AV). How to efficiently model the interactive relationships between the ego agent and other road and dynamic objects remains challenging for the standard attention module. In this work we propose a general Transformer-like architectural module MnM network equipped with novel masked goal conditioning training procedures for AV trajectory prediction. The resulted model, named golfer, achieves state-of-the-art performance, winning the 2nd place in the 2022 Waymo Open Dataset Motion Prediction Challenge and ranked 1st place according to minADE.
• Abstract（参考訳）: トランスフォーマーは、nlpとコンピュータビジョンのブレークスルーを可能にし、最近、自律走行車(av)の軌道予測において有望な性能を見せ始めた。 エゴエージェントと他の道路および動的物体の対話的関係を効率的にモデル化する方法は、標準の注目モジュールでは難しい。 本研究では,av軌道予測のための新しいマスク付き目標条件付きトレーニング手順を備えた汎用トランスフォーマチックアーキテクチャモジュールmnmネットワークを提案する。 その結果得られたモデルはゴルファーと呼ばれ、2022年のWaymo Open Dataset Motion Prediction Challengeで2位を獲得し、minADEによると1位にランクインした。

関連論文リスト

• Vectorized Representation Dreamer (VRD): Dreaming-Assisted Multi-Agent Motion-Forecasting [2.2020053359163305]
  マルチエージェント動作予測問題に対するベクトル化された世界モデルに基づくアプローチであるVRDを紹介する。 本手法では,従来のオープンループトレーニングシステムと,新しい夢のクローズループトレーニングパイプラインを組み合わせる。 本モデルでは,1つの予測ミスレート測定値に対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-20T15:34:17Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• STMT: A Spatial-Temporal Mesh Transformer for MoCap-Based Action Recognition [50.064502884594376]
  本研究では、モーションキャプチャー(MoCap)シーケンスを用いた人間の行動認識の問題点について検討する。 メッシュシーケンスを直接モデル化する新しい時空間メッシュ変換器(STMT)を提案する。 提案手法は,スケルトンベースモデルやポイントクラウドベースモデルと比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T16:19:27Z)
• Single Stage Multi-Pose Virtual Try-On [119.95115739956661]
  Multi-pose Virtual try-on (MPVTON) は、ターゲットの服をターゲットのポーズで人に合わせることを目的としている。 MPVTONは、より良い試着体験を提供するが、二重の衣服と編集目的のポーズのため、さらに難しい。 既存の方法は、ターゲットセマンティックレイアウト予測モジュール、粗い試行画像生成装置、精細化試行画像生成装置を含む3つの不整合モジュールからなるパイプラインを採用する。 本稿では,TONのための新しい単一ステージモデルを提案する。我々のモデルにとってキーとなるのは,人物と衣服の画像の両方のフロー場を予測する並列フロー推定モジュールである。
  論文  参考訳（メタデータ） (2022-11-19T15:02:11Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• MTR-A: 1st Place Solution for 2022 Waymo Open Dataset Challenge -- Motion Prediction [103.75625476231401]
  本稿では,複数モーダル動作予測のための新しいモーショントランスフォーマーフレームワークを提案する。 非最大圧縮による単純なモデルアンサンブル戦略を採用し、最終的な性能をさらに向上させる。 当社のアプローチは,2022年のオープンデータセットチャレンジにおける行動予測のリーダーボード上での1位を達成し,他の手法よりも優れたマージンを達成している。
  論文  参考訳（メタデータ） (2022-09-20T23:03:22Z)
• MotionCNN: A Strong Baseline for Motion Prediction in Autonomous Driving [6.10183951877597]
  畳み込みニューラルネットワークに基づくマルチモーダル動作予測のための,単純かつ非常に強力なベースラインを提案する。 ソースコードはGitHubで公開されています。
  論文  参考訳（メタデータ） (2022-06-05T12:31:58Z)
• Transformer based trajectory prediction [71.31516599226606]
  我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。 実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
  論文  参考訳（メタデータ） (2021-12-08T16:00:14Z)
• DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
  DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。 DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
  論文  参考訳（メタデータ） (2021-08-22T05:27:35Z)

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。