論文の概要: Contrastive Trajectory Similarity Learning with Dual-Feature Attention
- arxiv url: http://arxiv.org/abs/2210.05155v1
- Date: Tue, 11 Oct 2022 05:25:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:42:54.009660
- Title: Contrastive Trajectory Similarity Learning with Dual-Feature Attention
- Title（参考訳）: Dual-Feature Attentionを用いたコントラスト軌道類似学習
- Authors: Yanchuan Chang, Jianzhong Qi, Yuxuan Liang, Egemen Tanin
- Abstract要約: トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。
そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。
TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
- 参考スコア（独自算出の注目度）: 24.445998309807965
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Trajectory similarity measures act as query predicates in trajectory
databases, making them the key player in determining the query results. They
also have a heavy impact on the query efficiency. An ideal measure should have
the capability to accurately evaluate the similarity between any two
trajectories in a very short amount of time. However, existing heuristic
measures are mainly based on pointwise comparisons following hand-crafted
rules, thus resulting in either poor quality results or low efficiency in many
cases. Although several deep learning-based measures have recently aimed at
these problems, their improvements are limited by the difficulties to learn the
fine-grained spatial patterns of trajectories.
To address these issues, we propose a contrastive learning-based trajectory
modelling method named TrajCL, which is robust in application scenarios where
the data set contains low-quality trajectories. Specifically, we present four
trajectory augmentation methods and a novel dual-feature self-attention-based
trajectory backbone encoder. The resultant model can jointly learn both the
spatial and the structural patterns of trajectories. Our model does not involve
any recurrent structures and thus has a high efficiency. Besides, our
pre-trained backbone encoder can be fine-tuned towards other computationally
expensive measures with minimal supervision data. Experimental results show
that TrajCL is consistently and significantly more accurate and faster than the
state-of-the-art trajectory similarity measures. After fine-tuning, i.e., when
being used as an estimator for heuristic measures, TrajCL can even outperform
the state-of-the-art supervised method by up to 32% in the accuracy for
processing trajectory similarity queries.
- Abstract（参考訳）: トラジェクトリ類似度測定は、トラジェクトリデータベースにおけるクエリ述語として機能し、クエリ結果を決定するキープレーヤーとなる。
また、クエリ効率に大きな影響を与えます。
理想測度は、2つの軌道間の類似性を非常に短時間で正確に評価する能力を持つべきである。
しかし、既存のヒューリスティックな手段は、主に手作りのルールによるポイントワイズ比較に基づいており、品質の低下や効率の低下の原因となっていることが多い。
近年, 深層学習に基づく手法がいくつか提案されているが, その改善は, 軌跡のきめ細かい空間パターンを学習する難しさによって制限されている。
そこで本研究では,データ集合が低品質のトラジェクタを含むアプリケーションシナリオにおいてロバストな手法であるtrajclを提案する。
具体的には,4つのトラジェクトリ拡張法と,新しい2機能自己注意型トラジェクトリバックボーンエンコーダを提案する。
結果として得られるモデルは、軌道の空間的および構造的パターンの両方を共同的に学習することができる。
我々のモデルは再帰的な構造を含まないため、高い効率性を有する。
さらに、トレーニング済みのバックボーンエンコーダを、最小限の監視データで計算コストのかかる他の指標に微調整することができる。
実験結果から,TrajCLは最先端の軌道類似度測定よりも一貫して精度が高く,高速であることがわかった。
微調整(英: fine-tuning)、すなわち、ヒューリスティック測度の推定器として使われる場合、TrajCLは軌跡類似性クエリの精度を最大32%向上させることができる。
関連論文リスト
- Data-driven Probabilistic Trajectory Learning with High Temporal Resolution in Terminal Airspace [9.688760969026305]
混合モデルとSeq2seqに基づくニューラルネットワークの予測および特徴抽出機能を活用するデータ駆動学習フレームワークを提案する。
このフレームワークでトレーニングした後、学習したモデルは長期予測精度を大幅に向上させることができる。
提案手法の精度と有効性は,予測された軌道と基礎的真実とを比較して評価する。
論文 参考訳（メタデータ） (2024-09-25T21:08:25Z) - T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation [6.844357745770191]
軌道類似性計算は,様々なアプリケーション間での空間データの移動パターンを解析するための重要な手法である。
本稿では,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性手法T-JEPAを提案する。
論文 参考訳（メタデータ） (2024-06-13T09:51:51Z) - Learning From Failure: Integrating Negative Examples when Fine-tuning Large Language Models as Agents [41.14201835950814]
大規模言語モデル(LLM)は、検索エンジンなどのツールを介して環境と対話するエージェントとして機能することに成功した。
これまでの研究は、LLMと環境の間の相互作用軌跡を初めて収集し、小さなモデルを微調整するためにタスクを完了した軌道のみを用いていた。
これらの軌道からLLMは適切な品質制御と微調整戦略によって学習することができると我々は主張する。
論文 参考訳（メタデータ） (2024-02-18T17:10:07Z) - DTC: Deep Tracking Control [16.2850135844455]
本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。
深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。
モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
論文 参考訳（メタデータ） (2023-09-27T07:57:37Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
適応的階層的類似度メトリック学習法を提案する。
ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。
提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-10-29T02:12:18Z) - An Unsupervised Learning Method with Convolutional Auto-Encoder for
Vessel Trajectory Similarity Computation [13.003061329076775]
畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。
収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。
提案手法は従来の軌道類似性手法を効率と有効性で大きく上回っている。
論文 参考訳（メタデータ） (2021-01-10T04:42:11Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z) - Pairwise Similarity Knowledge Transfer for Weakly Supervised Object
Localization [53.99850033746663]
弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。
本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。
COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2020-03-18T17:53:33Z)
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。