論文の概要: Learning Pedestrian Group Representations for Multi-modal Trajectory
Prediction
- arxiv url: http://arxiv.org/abs/2207.09953v1
- Date: Wed, 20 Jul 2022 14:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 13:08:35.607014
- Title: Learning Pedestrian Group Representations for Multi-modal Trajectory
Prediction
- Title（参考訳）: マルチモーダル軌道予測のための歩行者群表現の学習
- Authors: Inhwan Bae, Jin-Hwi Park, Hae-Gon Jeon
- Abstract要約: GP-Graphは、混雑した環境下での効果的な歩行者軌道予測のための集団表現を持つ。
GP-Graphのキーとなる考え方は、グラフ表現として個人関係とグループ関係の両方をモデル化することである。
本稿では,複数の歩行者からなるグループを1つのグラフノードとして表現するグループプーリング・アンプール操作を提案する。
- 参考スコア（独自算出の注目度）: 16.676008193894223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the dynamics of people walking is a problem of long-standing
interest in computer vision. Many previous works involving pedestrian
trajectory prediction define a particular set of individual actions to
implicitly model group actions. In this paper, we present a novel architecture
named GP-Graph which has collective group representations for effective
pedestrian trajectory prediction in crowded environments, and is compatible
with all types of existing approaches. A key idea of GP-Graph is to model both
individual-wise and group-wise relations as graph representations. To do this,
GP-Graph first learns to assign each pedestrian into the most likely behavior
group. Using this assignment information, GP-Graph then forms both intra- and
inter-group interactions as graphs, accounting for human-human relations within
a group and group-group relations, respectively. To be specific, for the
intra-group interaction, we mask pedestrian graph edges out of an associated
group. We also propose group pooling&unpooling operations to represent a group
with multiple pedestrians as one graph node. Lastly, GP-Graph infers a
probability map for socially-acceptable future trajectories from the integrated
features of both group interactions. Moreover, we introduce a group-level
latent vector sampling to ensure collective inferences over a set of possible
future trajectories. Extensive experiments are conducted to validate the
effectiveness of our architecture, which demonstrates consistent performance
improvements with publicly available benchmarks. Code is publicly available at
https://github.com/inhwanbae/GPGraph.
- Abstract（参考訳）: 歩く人のダイナミクスのモデリングは、コンピュータビジョンに対する長年の関心の問題だ。
歩行者追跡予測を含む多くの先行研究は、暗黙的にグループアクションをモデル化するための個々のアクションセットを定義している。
本稿では,混み合った環境での効果的な歩行者追跡予測のための集団群表現を持ち,既存の手法と互換性のあるgp-graphという新しいアーキテクチャを提案する。
GP-Graphのキーとなる考え方は、グラフ表現として個人関係とグループ関係の両方をモデル化することである。
GP-Graphはまず、歩行者を最も可能性の高い行動グループに割り当てることを学ぶ。
この割当て情報を用いて、GP-Graphはグループ内の相互作用とグループ間の相互作用をグラフとして形成し、グループ内の人間関係とグループ間の関係をそれぞれ考慮する。
具体的には、グループ間相互作用において、関連するグループから歩行者グラフエッジをマスクする。
また、複数の歩行者を1つのグラフノードとするグループを表すグループプーリング・アンプール操作を提案する。
最後に、GP-Graphは、両方のグループ相互作用の統合的な特徴から、社会的に受容可能な将来の軌道の確率マップを推論する。
さらに,グループレベルの潜在ベクトルサンプリングを導入し,将来的な軌道の集合に対する集合的推論を確実にする。
アーキテクチャの有効性を検証するために大規模な実験を行い、公開ベンチマークで一貫した性能向上を示す。
コードはhttps://github.com/inhwanbae/GPGraphで公開されている。
関連論文リスト
- Co-attention Graph Pooling for Efficient Pairwise Graph Interaction
Learning [19.58671020943416]
グラフニューラルネットワーク(GNN)は、グラフ構造化データからの処理と学習に有効であることが証明されている。
グラフプーリングにおけるコアテンションを用いた相互作用表現抽出のための,新しい,効率的なグラフレベルアプローチを提案する。
筆者らの手法であるCAGPool(Co-Attention Graph Pooling)は,従来の手法と比較して,分類処理と回帰処理の両面での競合性能を示す。
論文 参考訳（メタデータ） (2023-07-28T07:53:34Z) - Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。
異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
論文 参考訳（メタデータ） (2023-07-13T13:55:57Z) - Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。
HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。
グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
論文 参考訳（メタデータ） (2022-09-02T09:17:10Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳（メタデータ） (2022-05-30T13:20:26Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。
具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。
2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
論文 参考訳（メタデータ） (2021-09-21T13:42:46Z) - HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint
Sampling for Trajectory Prediction [14.57655217378212]
本研究では,軌道予測のための階層型グラフ畳み込みネットワークHGCN-GJSを提案する。
本稿では,複数歩行者の将来の軌道における関節分布をモデル化するための新しい共同サンプリング手法を提案する。
我々は,複数の軌道予測データセット上でのネットワークの性能を実証し,検討したすべてのデータセットに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-15T14:51:10Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z) - CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph
Representation [12.580809204729583]
グループ制約のある混雑したシーンにおける軌道予測のための,コヒーレントな動き認識グラフ畳み込みネットワーク(CoMoGCN)を提案する。
提案手法は,複数のトラジェクトリ予測ベンチマーク上での最先端性能と,検討したすべてのベンチマークの中で最高の平均性能を実現する。
論文 参考訳（メタデータ） (2020-05-02T09:10:30Z)
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。