論文の概要: Implicit Stacked Autoregressive Model for Video Prediction

• arxiv url: http://arxiv.org/abs/2303.07849v1
• Date: Tue, 14 Mar 2023 12:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 15:12:22.642221
• Title: Implicit Stacked Autoregressive Model for Video Prediction
• Title（参考訳）: 映像予測のための暗黙的積み重ね自己回帰モデル
• Authors: Minseok Seo, Hakjin Lee, Doyi Kim, Junghoon Seo
• Abstract要約: IAM4VP(Implicit Stacked Autoregressive Model for Video Prediction) 重畳された自己回帰手法を適用した暗黙のビデオ予測モデルを提案する。 提案手法は最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 7.195557828572294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future frame prediction has been approached through two primary methods: autoregressive and non-autoregressive. Autoregressive methods rely on the Markov assumption and can achieve high accuracy in the early stages of prediction when errors are not yet accumulated. However, their performance tends to decline as the number of time steps increases. In contrast, non-autoregressive methods can achieve relatively high performance but lack correlation between predictions for each time step. In this paper, we propose an Implicit Stacked Autoregressive Model for Video Prediction (IAM4VP), which is an implicit video prediction model that applies a stacked autoregressive method. Like non-autoregressive methods, stacked autoregressive methods use the same observed frame to estimate all future frames. However, they use their own predictions as input, similar to autoregressive methods. As the number of time steps increases, predictions are sequentially stacked in the queue. To evaluate the effectiveness of IAM4VP, we conducted experiments on three common future frame prediction benchmark datasets and weather\&climate prediction benchmark datasets. The results demonstrate that our proposed model achieves state-of-the-art performance.
• Abstract（参考訳）: 将来のフレーム予測は、自己回帰と非自己回帰の2つの主要な方法によってアプローチされてきた。 自己回帰的手法はマルコフの仮定に依拠しており、誤差が蓄積されていない場合の予測の初期段階において高い精度を達成することができる。 しかし、時間ステップの数が増えるにつれてパフォーマンスは低下する傾向にある。 対照的に、非自己回帰法は比較的高い性能を達成できるが、各時間ステップの予測には相関がない。 本稿では,自己回帰的手法を適用した暗黙的ビデオ予測モデルである,ビデオ予測のための暗黙的スタック化自己回帰モデル(iam4vp)を提案する。 非自己回帰法と同様に、積み重ねられた自己回帰法は観測された全ての将来のフレームを推定するために同じフレームを使用する。 しかし、彼らは自己回帰法と同様に、独自の予測を入力として使用する。 時間ステップの数が増えるにつれて、予測はキューに順次積み上げられる。 iam4vpの有効性を評価するために,3つの共通フレーム予測ベンチマークデータセットとweather\&climate prediction benchmarkデータセットについて実験を行った。 この結果から,提案モデルが最先端性能を実現することを示す。

関連論文リスト

• Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks [6.935130578959931]
  方法はランダムウォークの変種定義から導かれ、将来の値に対するランダムなエラー項は、方向記号で乗算された正のランダムなエラーとして表現される。 0.55のような中程度の運動予測精度で、ナイーブ予測を確実に上回る。 正確な点予測が難しいが、正確な運動予測が可能である場合、特に有利である。
  論文  参考訳（メタデータ） (2024-06-20T16:32:18Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Streaming egocentric action anticipation: An evaluation scheme and approach [27.391434284586985]
  エゴセントリックなアクション予測は、カメラ装着者が過去の観察から将来のアクションを予測することを目的としている。 現在の評価手法は、入力ビデオが観測された直後に予測が利用可能であると仮定している。 本稿では,モデルが現在の入力セグメントを処理した後のみ,オンラインで予測を行うと仮定したストリーミングエゴセントリックな行動評価手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T04:53:29Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• HARP: Autoregressive Latent Video Prediction with High-Fidelity Image Generator [90.74663948713615]
  我々は,高忠実度未来のフレームを予測可能な自己回帰遅延映像予測モデルを訓練する。 既存のモデルに最小限の修正を加えて高解像度(256x256)ビデオを作成する。
  論文  参考訳（メタデータ） (2022-09-15T08:41:57Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Learning Prediction Intervals for Model Performance [1.433758865948252]
  モデル性能の予測間隔を計算する手法を提案する。 我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2020-12-15T21:32:03Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron [5.267336573374459]
  横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。 ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。 評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-23T05:32:40Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。