Fugu-MT 論文翻訳(概要): Bike2Vec: Vector Embedding Representations of Road Cycling Riders and Races

論文の概要: Bike2Vec: Vector Embedding Representations of Road Cycling Riders and Races

arxiv url: http://arxiv.org/abs/2305.10471v1
Date: Wed, 17 May 2023 15:11:08 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 18:35:41.208580
Title: Bike2Vec: Vector Embedding Representations of Road Cycling Riders and Races
Title（参考訳）: bike2vec: ロードサイクリングライダーとレースのベクトル埋め込み表現
Authors: Ethan Baron, Bram Janssens, Matthias Bogaert
Abstract要約: プロの道路サイクリングにおけるベクトル埋め込みの新しい応用法を提案する。我々は、教師なし学習技術を用いて、結果の埋め込みがライダーやレースの興味深い特徴を捉えていることを検証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Vector embeddings have been successfully applied in several domains to obtain effective representations of non-numeric data which can then be used in various downstream tasks. We present a novel application of vector embeddings in professional road cycling by demonstrating a method to learn representations for riders and races based on historical results. We use unsupervised learning techniques to validate that the resultant embeddings capture interesting features of riders and races. These embeddings could be used for downstream prediction tasks such as early talent identification and race outcome prediction.
Abstract（参考訳）: ベクトル埋め込みは、様々な下流タスクで使用できる非数値データの効果的な表現を得るために、いくつかの領域でうまく適用されている。本稿では, 自転車競技におけるベクトル埋め込みの新たな応用について, 歴史的結果をもとに, ライダーやレースの表現を学習する方法を示す。我々は、教師なし学習技術を用いて、結果の埋め込みがライダーやレースの興味深い特徴を捉えていることを検証する。これらの埋め込みは、早期人材識別やレース結果予測などの下流予測タスクに使用できる。

関連論文リスト

Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection [43.06493292670652]
2種類のVulnerable Road Users (VRU) が提案される軌道クラスタリング手法によって検討される。 2つの環境がメソッド開発のテストとして機能し、3つの異なる交差点と1つのラウンドアバウトとなる。
論文参考訳（メタデータ） (2024-07-03T07:22:21Z)
RAG-based Explainable Prediction of Road Users Behaviors for Automated Driving using Knowledge Graphs and Large Language Models [8.253092044813595]
本稿では,知識グラフと大規模言語モデルの推論能力を統合した,道路利用者の行動予測システムを提案する。 1)歩行者の横断行動の予測,2)車線変更操作の予測。
論文参考訳（メタデータ） (2024-05-01T11:06:31Z)
Comparison of Pedestrian Prediction Models from Trajectory and Appearance Data for Autonomous Driving [13.126949982768505]
歩行者の動きを予測できる能力は、自動運転車にとって重要な能力である。都市環境では、歩行者は道路エリアに入り、運転のリスクが高い。本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行う。
論文参考訳（メタデータ） (2023-05-25T11:24:38Z)
Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文参考訳（メタデータ） (2023-01-12T13:10:47Z)
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文参考訳（メタデータ） (2023-01-06T15:13:23Z)
Fair Interpretable Representation Learning with Correction Vectors [60.0806628713968]
我々は「補正ベクトル」の学習を中心にした公正表現学習のための新しい枠組みを提案する。このような方法で制約されたいくつかの公正表現学習モデルが、ランキングや分類性能の損失を示さないことを実験的に示す。
論文参考訳（メタデータ） (2022-02-07T11:19:23Z)
Contextual road lane and symbol generation for autonomous driving [0.0]
我々は、生成的対向ネットワークをトレーニングすることで、車線と道路のシンボルの確率分布をモデル化する。学習した確率分布に基づいて、所定の画像に対してコンテキスト対応レーンと道路標識を生成する。
論文参考訳（メタデータ） (2022-01-18T16:46:46Z)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)
AutoTrajectory: Label-free Trajectory Extraction and Prediction from Videos using Dynamic Points [92.91569287889203]
軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
論文参考訳（メタデータ） (2020-07-11T08:43:34Z)
Action Sequence Predictions of Vehicles in Urban Environments using Map and Social Context [152.0714518512966]
本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
論文参考訳（メタデータ） (2020-04-29T14:59:58Z)

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。