論文の概要: Real-time Trajectory-based Social Group Detection

• arxiv url: http://arxiv.org/abs/2304.05678v1
• Date: Wed, 12 Apr 2023 08:01:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 15:50:23.426921
• Title: Real-time Trajectory-based Social Group Detection
• Title（参考訳）: 実時間軌道に基づくソーシャルグループ検出
• Authors: Simindokht Jahangard, Munawar Hayat and Hamid Rezatofighi
• Abstract要約: 本稿では,ソーシャルグループ検出のためのシンプルで効率的なフレームワークを提案する。 本稿では,行動軌跡がソーシャルグルーピングに与える影響を考察し,新しい,信頼性の高い,高速なデータ駆動手法を用いる。 一般的なJRDBActデータセットに対する実験では,2%から11%の相対的な改善により,顕著な性能向上が見られた。
• 参考スコア（独自算出の注目度）: 22.86110112028644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social group detection is a crucial aspect of various robotic applications, including robot navigation and human-robot interactions. To date, a range of model-based techniques have been employed to address this challenge, such as the F-formation and trajectory similarity frameworks. However, these approaches often fail to provide reliable results in crowded and dynamic scenarios. Recent advancements in this area have mainly focused on learning-based methods, such as deep neural networks that use visual content or human pose. Although visual content-based methods have demonstrated promising performance on large-scale datasets, their computational complexity poses a significant barrier to their practical use in real-time applications. To address these issues, we propose a simple and efficient framework for social group detection. Our approach explores the impact of motion trajectory on social grouping and utilizes a novel, reliable, and fast data-driven method. We formulate the individuals in a scene as a graph, where the nodes are represented by LSTM-encoded trajectories and the edges are defined by the distances between each pair of tracks. Our framework employs a modified graph transformer module and graph clustering losses to detect social groups. Our experiments on the popular JRDBAct dataset reveal noticeable improvements in performance, with relative improvements ranging from 2% to 11%. Furthermore, our framework is significantly faster, with up to 12x faster inference times compared to state-of-the-art methods under the same computation resources. These results demonstrate that our proposed method is suitable for real-time robotic applications.
• Abstract（参考訳）: ソーシャルグループ検出は、ロボットナビゲーションや人間とロボットのインタラクションなど、さまざまなロボットアプリケーションの重要な側面である。 これまでに、F-formation や trajectory similarity framework など、この課題に対処するために様々なモデルベースのテクニックが採用されている。 しかし、これらのアプローチは、しばしば混み合った動的シナリオにおいて信頼できる結果を提供しない。 この領域の最近の進歩は主に、ビジュアルコンテンツや人間のポーズを使用するディープニューラルネットワークのような学習ベースの手法に焦点を当てている。 視覚的コンテンツベース手法は大規模データセットで有望な性能を示したが、その計算複雑性はリアルタイムアプリケーションでの使用において重要な障壁となっている。 そこで本研究では,ソーシャルグループ検出のための簡易かつ効率的なフレームワークを提案する。 本稿では,行動軌跡がソーシャルグルーピングに与える影響を考察し,新しい,信頼性の高い,高速なデータ駆動手法を用いる。 シーン内の個人をグラフとして定式化し,ノードをLSTM符号化トラジェクトリで表現し,エッジを各トラック間の距離で定義する。 本フレームワークは,修正グラフトランスフォーマーモジュールとグラフクラスタリング損失を用いてソーシャルグループを検出する。 一般的なJRDBActデータセットに対する実験では,2%から11%の相対的な改善がみられた。 さらに、我々のフレームワークは、同じ計算リソース下での最先端の手法に比べて最大12倍高速な推論時間を持つ。 これらの結果は,提案手法が実時間ロボット応用に適していることを示す。

関連論文リスト

• Why Sample Space Matters: Keyframe Sampling Optimization for LiDAR-based Place Recognition [6.468510459310326]
  位置認識におけるサンプル空間の概念を導入し、異なるサンプリング手法がクエリプロセスと全体的なパフォーマンスに与える影響を実証する。 そこで我々は,超次元ディスクリプタ空間における冗長性と情報保存に着目した,LiDARに基づく位置認識のための新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T16:29:47Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Navigation [76.67608003501479]
  主評価指標の基礎に基づいて計算された領域関連メトリクスの範囲を定義する評価プロトコルを導入・指定する。 このような比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含むものである。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Surface EMG-Based Inter-Session/Inter-Subject Gesture Recognition by Leveraging Lightweight All-ConvNet and Transfer Learning [17.535392299244066]
  低解像度の瞬時HD-sEMG画像を用いたジェスチャー認識は、より流動的で自然な筋肉-コンピュータインターフェースを開発するための新たな道を開く。 セッション間とオブジェクト間シナリオ間のデータのばらつきは、大きな課題を示します。 既存のアプローチでは、非常に大きく複雑なConvNetまたは2SRNNベースのドメイン適応手法を使用して、これらのセッション間およびオブジェクト間データのばらつきに起因する分散シフトを近似した。 我々は、軽量なAll-ConvNetとTransfer Learning(TL)を利用した、セッション間およびオブジェクト間ジェスチャー認識の強化のための軽量All-ConvNet+TLモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-13T21:47:55Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。