論文の概要: Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark

• arxiv url: http://arxiv.org/abs/2305.18310v2
• Date: Fri, 21 Jul 2023 09:12:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-24 15:49:24.446939
• Title: Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark
• Title（参考訳）: ラット対応ビデオ位置予測のためのモーションスセナリオデカップリング:戦略とベンチマーク
• Authors: Xiaofeng Liu, Jiaxin Gao, Yaohua Liu, Risheng Liu and Nenggan Zheng
• Abstract要約: 本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
• 参考スコア（独自算出の注目度）: 49.58762201363483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently significant progress has been made in human action recognition and behavior prediction using deep learning techniques, leading to improved vision-based semantic understanding. However, there is still a lack of high-quality motion datasets for small bio-robotics, which presents more challenging scenarios for long-term movement prediction and behavior control based on third-person observation. In this study, we introduce RatPose, a bio-robot motion prediction dataset constructed by considering the influence factors of individuals and environments based on predefined annotation rules. To enhance the robustness of motion prediction against these factors, we propose a Dual-stream Motion-Scenario Decoupling (\textit{DMSD}) framework that effectively separates scenario-oriented and motion-oriented features and designs a scenario contrast loss and motion clustering loss for overall training. With such distinctive architecture, the dual-branch feature flow information is interacted and compensated in a decomposition-then-fusion manner. Moreover, we demonstrate significant performance improvements of the proposed \textit{DMSD} framework on different difficulty-level tasks. We also implement long-term discretized trajectory prediction tasks to verify the generalization ability of the proposed dataset.
• Abstract（参考訳）: 近年、深層学習技術を用いた人間の行動認識と行動予測において顕著な進歩が見られ、視覚に基づく意味理解が向上した。 しかし、小さなバイオロボティクスのための高品質なモーションデータセットがまだ存在しないため、第三者の観察に基づく長期移動予測と行動制御のためのより困難なシナリオが提示されている。 本研究では,事前定義されたアノテーションルールに基づいて,個人や環境への影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 これらの要因に対する動き予測のロバスト性を高めるために、シナリオ指向と動き指向の機能を効果的に分離し、シナリオコントラスト損失とモーションクラスタリング損失を総合訓練のために設計するデュアルストリーム運動分離(\textit{DMSD})フレームワークを提案する。 このような特有なアーキテクチャでは、二重分岐特徴フロー情報が相互作用して補償される。 さらに,難易度が異なるタスクにおいて,提案する‘textit{DMSD} フレームワークの大幅な性能向上を示す。 また,提案するデータセットの一般化能力を検証するために,長期離散軌道予測タスクを実装した。

関連論文リスト

• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Multiple-level Point Embedding for Solving Human Trajectory Imputation with Prediction [7.681950806902859]
  空間性は、人間の移動データを含む多くの軌跡データセットで一般的な問題である。 この研究は、より良い結果を得るために、計算と予測の学習プロセスが互いの恩恵を受けるかどうかを調査する予定である。
  論文  参考訳（メタデータ） (2023-01-11T14:13:23Z)
• Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
  自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。 運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。 提案手法は,既存手法の予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T14:59:48Z)
• Investigating Pose Representations and Motion Contexts Modeling for 3D Motion Prediction [63.62263239934777]
  歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。 本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。 AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-30T10:45:22Z)
• Dyadic Human Motion Prediction [119.3376964777803]
  本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。 具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。 これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
  論文  参考訳（メタデータ） (2021-12-01T10:30:40Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting [34.54878390622877]
  本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。 このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。 我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
  論文  参考訳（メタデータ） (2021-08-03T06:30:30Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)

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。