論文の概要: Adapting to Skew: Imputing Spatiotemporal Urban Data with 3D Partial
Convolutions and Biased Masking
- arxiv url: http://arxiv.org/abs/2301.04233v1
- Date: Tue, 10 Jan 2023 22:44:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 14:29:03.581353
- Title: Adapting to Skew: Imputing Spatiotemporal Urban Data with 3D Partial
Convolutions and Biased Masking
- Title（参考訳）: スキューに適応する:3次元部分的畳み込みとバイアスドマスキングによる時空間的都市データ
- Authors: Bin Han, Bill Howe
- Abstract要約: 都市データの欠落は、センサーまたはソフトウェア障害、データ品質の問題、気象イベントからの干渉、不完全なデータ収集、あるいはさまざまなデータ使用規則によって引き起こされる可能性がある。
我々は3次元ヒストグラム(2次元空間+1次元時間)で都市環境におけるデータ交換によく用いられる画像インペイントにコンピュータビジョン技術を適用した。
我々は,コアモデルが質的かつ定量的に有効であることを示し,トレーニング中の偏りマスキングが様々なシナリオにおける誤差を低減することを示した。
- 参考スコア（独自算出の注目度）: 13.94102520443797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We adapt image inpainting techniques to impute large, irregular missing
regions in urban settings characterized by sparsity, variance in both space and
time, and anomalous events. Missing regions in urban data can be caused by
sensor or software failures, data quality issues, interference from weather
events, incomplete data collection, or varying data use regulations; any
missing data can render the entire dataset unusable for downstream
applications. To ensure coverage and utility, we adapt computer vision
techniques for image inpainting to operate on 3D histograms (2D space + 1D
time) commonly used for data exchange in urban settings.
Adapting these techniques to the spatiotemporal setting requires handling
skew: urban data tend to follow population density patterns (small dense
regions surrounded by large sparse areas); these patterns can dominate the
learning process and fool the model into ignoring local or transient effects.
To combat skew, we 1) train simultaneously in space and time, and 2) focus
attention on dense regions by biasing the masks used for training to the skew
in the data. We evaluate the core model and these two extensions using the NYC
taxi data and the NYC bikeshare data, simulating different conditions for
missing data. We show that the core model is effective qualitatively and
quantitatively, and that biased masking during training reduces error in a
variety of scenarios. We also articulate a tradeoff in varying the number of
timesteps per training sample: too few timesteps and the model ignores
transient events; too many timesteps and the model is slow to train with
limited performance gain.
- Abstract（参考訳）: 画像インパインティング手法を用いて,空間と時間のばらつき,異常な事象を特徴とする都市環境における大きな不規則な欠落領域を暗示する。
都市データの欠落する領域は、センサやソフトウェア障害、データ品質の問題、気象イベントからの干渉、不完全なデータ収集、さまざまなデータ使用規則によって引き起こされる可能性がある。
カバー範囲と有用性を確保するために,画像インペインティングのためのコンピュータビジョン技術を適用し,都市におけるデータ交換に一般的に使用される3次元ヒストグラム(2d空間+1d時間)を操作する。
都市データは人口密度パターン(大きなスパース領域に囲まれた小さな密度の領域)に従う傾向があり、これらのパターンは学習過程を支配し、モデルを局所的または過渡的効果を無視して騙すことができる。
スキューと戦うために
1) 空間と時間で同時に訓練し、
2) 密集領域に注意を向け, トレーニング用マスクの偏りをデータ中のスキューに向ける。
我々は、nyc taxiデータとnyc bikeshareデータを用いて、コアモデルとこれら2つの拡張を評価し、行方不明データについて異なる条件をシミュレートする。
我々は,コアモデルが質的かつ定量的に有効であることを示し,トレーニング中の偏りマスキングが様々なシナリオにおける誤差を低減することを示した。
トレーニングサンプルあたりのタイムステップ数の変更 – 過度なタイムステップとモデルによる過渡的なイベントの無視 – 時間ステップの多さと,モデルのパフォーマンス向上の制限によるトレーニングの遅さ – も明確にしています。
関連論文リスト
- Deep Temporal Deaggregation: Large-Scale Spatio-Temporal Generative Models [5.816964541847194]
本稿では,最新技術よりもパフォーマンスとスケールが大幅に向上する時系列の変圧器に基づく拡散モデルTDDPMを提案する。
これは、いくつかのシーケンス長、標準データセット、評価尺度にまたがる新しい包括的なベンチマークで評価される。
論文 参考訳（メタデータ） (2024-06-18T09:16:11Z) - Dynamic 3D Gaussian Fields for Urban Areas [60.64840836584623]
大規模でダイナミックな都市部における新規ビュー合成(NVS)のための効率的なニューラル3Dシーン表現法を提案する。
本研究では,大規模都市にスケールするニューラルネットワークシーン表現である4DGFを提案する。
論文 参考訳（メタデータ） (2024-06-05T12:07:39Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。
タスクに対してSTSMというモデルを提案する。
私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文 参考訳（メタデータ） (2024-01-19T06:26:05Z) - Spatiotemporal and Semantic Zero-inflated Urban Anomaly Prediction [8.340857178859768]
本研究では,3次元のパターンと影響要因の相互依存性と相互依存性を共同で捉えるSTSを提案する。
我々は、ゼロインフレード問題を解くために、カスタマイズされた損失関数を持つマルチタスク予測モジュールを使用する。
4つの実世界のデータセットを用いた2つのアプリケーションシナリオの実験は、STSの優位性を示している。
論文 参考訳（メタデータ） (2023-04-04T06:48:07Z) - Traffic Prediction with Transfer Learning: A Mutual Information-based
Approach [11.444576186559487]
そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。
TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
論文 参考訳（メタデータ） (2023-03-13T15:27:07Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Artificial Dummies for Urban Dataset Augmentation [0.0]
画像中の歩行者検知器を訓練するための既存のデータセットは、外観やポーズの変動が限られている。
本稿では,人を含む都市景観の合成制御のための拡張手法について述べる。
DummyNetが生成するデータは、さまざまなデータセットにわたる複数の既存の人検出器のパフォーマンスを向上させることを実証します。
論文 参考訳（メタデータ） (2020-12-15T13:17:25Z) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z) - Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。
まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。
このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
論文 参考訳（メタデータ） (2020-08-19T23:19:08Z)
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。