論文の概要: DeepStay: Stay Region Extraction from Location Trajectories using Weak Supervision

• arxiv url: http://arxiv.org/abs/2306.06068v1
• Date: Mon, 5 Jun 2023 11:16:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:59:03.938907
• Title: DeepStay: Stay Region Extraction from Location Trajectories using Weak Supervision
• Title（参考訳）: DeepStay:Weak Supervisionを用いた位置軌跡からの静止領域抽出
• Authors: Christian L\"owens, Daniela Thyssens, Emma Andersson, Christina Jenkins, Lars Schmidt-Thieme
• Abstract要約: モバイル端末は、ユーザの位置の絶え間ない追跡を可能にし、個人的関心点(POI)を推測するために、位置トラジェクトリを使用することができる。 POIを抽出する一般的な方法は、ユーザーがかなりの時間を費やしている領域を最初に識別することである。 SR抽出に対する一般的なアプローチは、教師なしまたは小規模のプライベートデータセットで評価される。 本稿では、位置軌跡を学習し、滞在領域を予測するDeepStayと呼ばれる弱い自己教師型トランスフォーマーモデルを提案する。
• 参考スコア（独自算出の注目度）: 4.243592852049962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, mobile devices enable constant tracking of the user's position and location trajectories can be used to infer personal points of interest (POIs) like homes, workplaces, or stores. A common way to extract POIs is to first identify spatio-temporal regions where a user spends a significant amount of time, known as stay regions (SRs). Common approaches to SR extraction are evaluated either solely unsupervised or on a small-scale private dataset, as popular public datasets are unlabeled. Most of these methods rely on hand-crafted features or thresholds and do not learn beyond hyperparameter optimization. Therefore, we propose a weakly and self-supervised transformer-based model called DeepStay, which is trained on location trajectories to predict stay regions. To the best of our knowledge, this is the first approach based on deep learning and the first approach that is evaluated on a public, labeled dataset. Our SR extraction method outperforms state-of-the-art methods. In addition, we conducted a limited experiment on the task of transportation mode detection from GPS trajectories using the same architecture and achieved significantly higher scores than the state-of-the-art. Our code is available at https://github.com/christianll9/deepstay.
• Abstract（参考訳）: 現在、モバイルデバイスはユーザーの位置や位置を常に追跡することができ、家、職場、店舗などの個人的関心点(pois)を推測することができる。 poisを抽出する一般的な方法は、ユーザがかなりの時間を費やしている時空間領域(srs)を最初に特定することである。 SR抽出に対する一般的なアプローチは、一般的なパブリックデータセットがラベル付けされていないため、教師なしまたは小規模のプライベートデータセットで評価される。 これらの手法の多くは手作りの特徴やしきい値に依存しており、ハイパーパラメータ最適化以外には学ばない。 そこで本研究では,位置軌跡を学習し,位置領域を推定するDeepStayという,弱い自己制御型トランスフォーマーモデルを提案する。 私たちの知る限りでは、これはディープラーニングに基づいた最初のアプローチであり、ラベル付きデータセットで評価される最初のアプローチです。 我々のSR抽出法は最先端の手法より優れている。 また,GPSトラジェクトリからの移動モード検出のタスクにおいて,同じアーキテクチャを用いて限定的な実験を行い,最先端技術よりも高いスコアを得た。 私たちのコードはhttps://github.com/christianll9/deepstayで利用可能です。

関連論文リスト

• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
  近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。 従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。 本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:46:30Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond [82.37430109152383]
  その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本稿では、一般化を改善する進歩的な微調整戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-10T06:00:26Z)
• LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks [17.586486249721265]
  LUNARは、各ノードの最も近い隣人から、トレーニング可能な方法で情報を使用して異常を見つけることを学ぶ。 提案手法は,既存の局所的外れ値法や最先端の深層ベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-10T06:50:32Z)
• Detecting Fake Points of Interest from Location Data [0.0]
  提案した研究は、教師付き学習手法と、位置情報に基づくデータに隠されたパターンを見つける能力に焦点を当てている。 目的は,Multi-Layer Perceptron (MLP) 法を用いてPOIの真偽を予測することである。 提案手法は従来の分類法, 頑健で最近のディープニューラル法と比較される。
  論文  参考訳（メタデータ） (2021-11-11T00:39:02Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)

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。