論文の概要: Jointly Contrastive Representation Learning on Road Network and
Trajectory
- arxiv url: http://arxiv.org/abs/2209.06389v1
- Date: Wed, 14 Sep 2022 03:08:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 12:44:51.281121
- Title: Jointly Contrastive Representation Learning on Road Network and
Trajectory
- Title(参考訳): 道路網と軌道上の連立コントラスト表現学習
- Authors: Zhenyu Mao, Ziyue Li, Dedong Li, Lei Bai, Rui Zhao
- Abstract要約: 道路網と軌道表現学習は交通システムにとって不可欠である。
既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。
本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
- 参考スコア(独自算出の注目度): 11.613962590641002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road network and trajectory representation learning are essential for traffic
systems since the learned representation can be directly used in various
downstream tasks (e.g., traffic speed inference, and travel time estimation).
However, most existing methods only contrast within the same scale, i.e.,
treating road network and trajectory separately, which ignores valuable
inter-relations. In this paper, we aim to propose a unified framework that
jointly learns the road network and trajectory representations end-to-end. We
design domain-specific augmentations for road-road contrast and
trajectory-trajectory contrast separately, i.e., road segment with its
contextual neighbors and trajectory with its detour replaced and dropped
alternatives, respectively. On top of that, we further introduce the
road-trajectory cross-scale contrast to bridge the two scales by maximizing the
total mutual information. Unlike the existing cross-scale contrastive learning
methods on graphs that only contrast a graph and its belonging nodes, the
contrast between road segment and trajectory is elaborately tailored via novel
positive sampling and adaptive weighting strategies. We conduct prudent
experiments based on two real-world datasets with four downstream tasks,
demonstrating improved performance and effectiveness. The code is available at
https://github.com/mzy94/JCLRNT.
- Abstract(参考訳): 道路網と軌道表現学習は、学習された表現が様々な下流タスク(例えば、交通速度推定や旅行時間推定)で直接使用できるため、交通システムにとって不可欠である。
しかし,既存の手法では,道路網と軌道を別々に扱い,重要な相互関係を無視する手法がほとんどである。
本稿では,道路網と軌道表現のエンドツーエンド化を共同で学習する統合フレームワークを提案する。
道路のコントラストと軌道-軌道のコントラストのドメイン固有の拡張をそれぞれ分離して設計する。
さらに,道路軌道のクロススケールコントラストを導入し,全相互情報の最大化により2つのスケールを橋渡しする。
グラフとその属ノードを対比するグラフ上の既存のクロススケールなコントラスト学習法とは異なり、道路セグメントと軌道のコントラストは、新しい正のサンプリングと適応重み付け戦略によって精巧に調整される。
4つのダウンストリームタスクを含む2つの実世界のデータセットに基づく慎重な実験を行い、パフォーマンスと有効性の向上を実証した。
コードはhttps://github.com/mzy94/jclrntで入手できる。
関連論文リスト
- More Than Routing: Joint GPS and Route Modeling for Refine Trajectory
Representation Learning [26.630640299709114]
本稿では,JGRMという自己監督技術に基づく共同GPSとルートモデリングを提案する。
我々は2つのエンコーダを開発し、それぞれルートとGPSの軌跡を表現できるように調整した。
2つのモードからの表現は、モーダル間情報相互作用のための共有変換器に入力される。
論文 参考訳(メタデータ) (2024-02-25T18:27:25Z) - Heterogeneous Graph-based Trajectory Prediction using Local Map Context
and Social Interactions [47.091620047301305]
本稿では,3つの重要な情報源を活用することにより,欠点に対処するベクトルベース軌道予測手法を提案する。
まず,その関係の性質と重要な特徴を考慮に入れたセマンティックシーングラフを用いて,トラフィックエージェント間のインタラクションをモデル化する。
第2に,ローカルマップコンテキストをモデル化するために,エージェント中心の画像中心マップの特徴を抽出する。
論文 参考訳(メタデータ) (2023-11-30T13:46:05Z) - A Deeply Supervised Semantic Segmentation Method Based on GAN [9.441379867578332]
提案モデルは,GAN(Generative Adversarial Network)フレームワークを従来のセマンティックセグメンテーションモデルに統合する。
本手法の有効性は,道路ひび割れデータセットの性能向上によって実証された。
論文 参考訳(メタデータ) (2023-10-06T08:22:24Z) - PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road
Extraction via Patch-Wise Keypoints Detection [12.145321599949236]
我々は、マルチタスク衛星画像道路抽出のための新しい手法、パッチワイド道路キーポイント検出(PaRK-Detect)を提案する。
筆者らのフレームワークは,パッチワイド道路キーポイントの位置と,それら間の近接関係を予測し,道路グラフを単一パスで構築する。
我々は,DeepGlobe, Massachusetts Roads, RoadTracerの既存の最先端手法に対するアプローチを評価し,競争力やより良い結果を得る。
論文 参考訳(メタデータ) (2023-02-26T08:26:26Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳(メタデータ) (2021-11-30T04:30:10Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z) - Improving Movement Predictions of Traffic Actors in Bird's-Eye View
Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。
一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。
本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。
提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-04-14T00:41:17Z)
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。