Fugu-MT 論文翻訳(概要): Classifying Spatial Trajectories

論文の概要: Classifying Spatial Trajectories

arxiv url: http://arxiv.org/abs/2209.01322v1
Date: Sat, 3 Sep 2022 04:17:39 GMT
ステータス: 処理完了
システム内更新日: 2022-09-07 15:20:18.672691
Title: Classifying Spatial Trajectories
Title（参考訳）: 空間軌道の分類
Authors: Hasan Pourmahmood-Aghababa and Jeff M. Phillips
Abstract要約: 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。
参考スコア（独自算出の注目度）: 13.200502573462712
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: We provide the first comprehensive study on how to classify trajectories using only their spatial representations, measured on 5 real-world data sets. Our comparison considers 20 distinct classifiers arising either as a KNN classifier of a popular distance, or as a more general type of classifier using a vectorized representation of each trajectory. We additionally develop new methods for how to vectorize trajectories via a data-driven method to select the associated landmarks, and these methods prove among the most effective in our study. These vectorized approaches are simple and efficient to use, and also provide state-of-the-art accuracy on an established transportation mode classification task. In all, this study sets the standard for how to classify trajectories, including introducing new simple techniques to achieve these results, and sets a rigorous standard for the inevitable future study on this topic.
Abstract（参考訳）: 5つの実世界のデータセットで測定された空間表現のみを用いて軌道を分類する方法に関する最初の総合的研究を行った。比較では、一般的な距離のKNN分類器や、各軌跡のベクトル化表現を用いたより一般的な分類器として、20の異なる分類器が考えられる。また, トラジェクトリのベクトル化手法をデータ駆動方式で開発し, 関連するランドマークを選定し, これらの手法が本研究でもっとも有効であることを示す。これらのベクトル化アプローチはシンプルで効率的であり、確立された輸送モード分類タスクにおいて最先端の精度を提供する。本研究は、これらの結果を達成するための新しい単純な手法の導入を含む、軌跡の分類の基準を設定し、このトピックに関する必然的な将来研究の厳格な標準を設定する。

関連論文リスト

Interpretable classifiers for tabular data via discretization and feature selection [4.195816579137846]
表データから人間の解釈可能かつ正確な分類器を即座に計算する手法を提案する。本稿では,12の実験を通じて,ランダムな森林,XGBoost,および文献における同じデータセットに対する既存の結果と同等の精度で,そのアプローチを実証する。
論文参考訳（メタデータ） (2024-02-08T13:58:16Z)
Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文参考訳（メタデータ） (2023-09-25T12:31:18Z)
Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文参考訳（メタデータ） (2022-12-16T09:01:57Z)
Task-Specific Embeddings for Ante-Hoc Explainable Text Classification [6.671252951387647]
テキストのタスク固有の埋め込みを学習する学習目標を提案する。提案する目的は,同一のクラスラベルを共有するすべてのテキストが近接しているように埋め込みを学習することである。本研究は, 総合的な分類精度において, アンテホックな説明可能性と漸進的な学習の利点が無コストで得られることを示す広範囲な実験である。
論文参考訳（メタデータ） (2022-11-30T19:56:25Z)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
TraClets: Harnessing the power of computer vision for trajectory classification [0.9405458160620532]
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。
論文参考訳（メタデータ） (2022-05-27T10:28:05Z)
Self-Training: A Survey [5.772546394254112]
半教師付きアルゴリズムは、ラベル付き観測の小さなセットとラベルなし観測の大きなセットから予測関数を学習することを目的としている。近年,自己学習手法が注目されていることは確かである。本稿では,バイナリクラスとマルチクラス分類のための自己学習手法と,その変種と関連する2つのアプローチを提案する。
論文参考訳（メタデータ） (2022-02-24T11:40:44Z)
Improving Deep Learning Sound Events Classifiers using Gram Matrix Feature-wise Correlations [1.2891210250935146]
本手法では,一般CNNの全てのアクティベーションを分析し,Gram Matricesを用いて特徴表現を生成する。提案手法はどのCNNにも適用可能であり,2つのデータセット上で4つの異なるアーキテクチャを実験的に評価した結果,ベースラインモデルが一貫して改善されることが示された。
論文参考訳（メタデータ） (2021-02-23T16:08:02Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
Ellipsoidal Subspace Support Vector Data Description [98.67884574313292]
一クラス分類に最適化された低次元空間にデータを変換する新しい手法を提案する。提案手法の線形および非線形の定式化について述べる。提案手法は,最近提案されたサブスペースサポートベクトルデータ記述よりもはるかに高速に収束する。
論文参考訳（メタデータ） (2020-03-20T21:31:03Z)

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。