論文の概要: Spatiotemporal k-means
- arxiv url: http://arxiv.org/abs/2211.05337v1
- Date: Thu, 10 Nov 2022 04:40:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 15:40:44.028876
- Title: Spatiotemporal k-means
- Title(参考訳): 時空間k-means
- Authors: Olga Dorabiala, Jennifer Webster, Nathan Kutz, Aleksandr Aravkin
- Abstract要約: 時空間クラスタリングは、人間の監督なしに動く物体のパターンや傾向を効率的に発見する必要性に対処する。
データクラスタ内のマルチテンポラリな関係を解析できるSTKMを提案する。
STKMは,特に低データ領域において,既存の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 63.230991774875044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal data is readily available due to emerging sensor and data
acquisition technologies that track the positions of moving objects of
interest. Spatiotemporal clustering addresses the need to efficiently discover
patterns and trends in moving object behavior without human supervision. One
application of interest is the discovery of moving clusters, where clusters
have a static identity, but their location and content can change over time. We
propose a two phase spatiotemporal clustering method called spatiotemporal
k-means (STKM) that is able to analyze the multi-scale relationships within
spatiotemporal data. Phase 1 of STKM frames the moving cluster problem as the
minimization of an objective function unified over space and time. It outputs
the short-term associations between objects and is uniquely able to track
dynamic cluster centers with minimal parameter tuning and without
post-processing. Phase 2 outputs the long-term associations and can be applied
to any method that provides a cluster label for each object at every point in
time. We evaluate STKM against baseline methods on a recently developed
benchmark dataset and show that STKM outperforms existing methods, particularly
in the low-data domain, with significant performance improvements demonstrated
for common evaluation metrics on the moving cluster problem.
- Abstract(参考訳): 時空間データは、興味のある移動物体の位置を追跡する新しいセンサーとデータ取得技術によって容易に利用できる。
時空間クラスタリングは、人間の監督なしに物体の動きのパターンや傾向を効率的に発見する必要性に対処する。
興味深い応用の1つは移動クラスタの発見である。クラスタは静的なアイデンティティを持つが、その位置と内容は時間とともに変化する可能性がある。
本研究では,時空間データ内の多元的関係を解析できるspatiotemporal k-means (stkm) と呼ばれる2相時空間クラスタリング法を提案する。
STKMのフェーズ1は、移動クラスタ問題を、空間と時間で統一された目的関数の最小化として表している。
オブジェクト間の短期的な関連を出力し、パラメータチューニングを最小限に抑え、後処理なしで動的クラスタセンターを追跡することができる。
フェーズ2は長期的な関連を出力し、各時点において各オブジェクトにクラスタラベルを提供する任意のメソッドに適用することができる。
我々は,最近開発されたベンチマークデータセットのベースライン手法に対してSTKMを評価し,STKMが既存の手法,特に低データ領域よりも優れていることを示す。
関連論文リスト
- Low Latency Instance Segmentation by Continuous Clustering for Rotating
LiDAR Sensors [4.73194777046253]
LiDARポイントクラウドの低レイテンシインスタンスセグメンテーションは、現実世界のアプリケーションでは不可欠である。
我々は、インスタンス分割された点雲を得るために障害点を連続的にクラスタリングする。
スキャン開始点と終了点の間に問題のある不連続性は見られなかった。
論文 参考訳(メタデータ) (2023-11-23T12:42:52Z) - Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。
私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。
提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
論文 参考訳(メタデータ) (2023-10-19T04:44:43Z) - Anchor-based Multi-view Subspace Clustering with Hierarchical Feature
Descent [50.283640069991]
マルチビュークラスタリングは、様々なソースから情報を集約する能力によって、注目を集めている。
階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。
提案手法は最先端技術より一貫して優れている。
論文 参考訳(メタデータ) (2023-10-11T03:29:13Z) - Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
交通渋滞異常検出は知的交通システムにおいて最重要事項である。
本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。
Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
論文 参考訳(メタデータ) (2022-06-28T17:08:47Z) - Mining frequency-based sequential trajectory co-clusters [0.2578242050187029]
セマンティック・トラジェクトリ・コクラスタをマイニングするための新しいトラジェクトリ・コクラスタリング法を提案する。
同時に、それらが現れる順序を考慮に入れた軌道とその要素をまとめる。
提案手法を実世界の公開データセットを用いて評価する。
論文 参考訳(メタデータ) (2021-10-27T01:18:42Z) - Multi-Object Tracking and Segmentation with a Space-Time Memory Network [12.043574473965318]
トラックレットを関連づける新しいメモリベース機構に基づく多目的追跡とセグメンテーションの手法を提案する。
提案するトラッカーであるMeNToSは、特に長期データアソシエーションの問題に対処する。
論文 参考訳(メタデータ) (2021-10-21T17:13:17Z) - Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。
提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。
その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
論文 参考訳(メタデータ) (2021-07-03T00:19:17Z) - Target-Aware Object Discovery and Association for Unsupervised Video
Multi-Object Segmentation [79.6596425920849]
本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。
より正確で効率的な時間区分のための新しいアプローチを紹介します。
DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-04-10T14:39:44Z) - (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time
Warping [57.316437798033974]
本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。
我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。
一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
論文 参考訳(メタデータ) (2020-12-01T13:17:27Z) - ClusterVO: Clustering Moving Instances and Estimating Visual Odometry
for Self and Surroundings [54.33327082243022]
ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。
以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
論文 参考訳(メタデータ) (2020-03-29T09:06:28Z)
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。