論文の概要: A Critical Perceptual Pre-trained Model for Complex Trajectory Recovery
- arxiv url: http://arxiv.org/abs/2311.02631v1
- Date: Sun, 5 Nov 2023 12:20:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:25:12.911955
- Title: A Critical Perceptual Pre-trained Model for Complex Trajectory Recovery
- Title(参考訳): 複合軌道復元のための臨界知覚事前学習モデル
- Authors: Dedong Li, Ziyue Li, Zhishuai Li, Lei Bai, Qingyuan Gong, Lijun Sun,
Wolfgang Ketter, Rui Zhao
- Abstract要約: この研究は、複雑な軌道に対するより堅牢な軌道回復を提供することを目的としている。
本稿では,多視点グラフと複雑度認識変換器(MGCAT)モデルを提案する。
その結果,F1スコアが5.22%,F1スコアが8.16%,複雑なトラジェクトリが8.16%向上した。
- 参考スコア(独自算出の注目度): 27.347708962204713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The trajectory on the road traffic is commonly collected at a low sampling
rate, and trajectory recovery aims to recover a complete and continuous
trajectory from the sparse and discrete inputs. Recently, sequential language
models have been innovatively adopted for trajectory recovery in a pre-trained
manner: it learns road segment representation vectors, which will be used in
the downstream tasks. However, existing methods are incapable of handling
complex trajectories: when the trajectory crosses remote road segments or makes
several turns, which we call critical nodes, the quality of learned
representations deteriorates, and the recovered trajectories skip the critical
nodes. This work is dedicated to offering a more robust trajectory recovery for
complex trajectories. Firstly, we define the trajectory complexity based on the
detour score and entropy score and construct the complexity-aware semantic
graphs correspondingly. Then, we propose a Multi-view Graph and Complexity
Aware Transformer (MGCAT) model to encode these semantics in trajectory
pre-training from two aspects: 1) adaptively aggregate the multi-view graph
features considering trajectory pattern, and 2) higher attention to critical
nodes in a complex trajectory. Such that, our MGCAT is perceptual when handling
the critical scenario of complex trajectories. Extensive experiments are
conducted on large-scale datasets. The results prove that our method learns
better representations for trajectory recovery, with 5.22% higher F1-score
overall and 8.16% higher F1-score for complex trajectories particularly. The
code is available at https://github.com/bonaldli/ComplexTraj.
- Abstract(参考訳): 道路交通の軌跡は, 低サンプリング率で収集されることが一般的であり, 軌跡回復は, スパースおよび離散入力から完全かつ連続的な軌跡を復元することを目的としている。
近年,下流タスクで使用される道路セグメント表現ベクトルを学習する,事前学習による軌道回復のための逐次言語モデルが革新的に採用されている。
しかし、既存の手法では、軌跡が遠隔の道路セグメントを横切る場合や、複数の旋回を行う場合、重要なノードと呼ばれる場合、学習された表現の質が低下し、回収された軌跡は臨界ノードをスキップする。
この研究は、複雑な軌道に対するより堅牢な軌道回復を提供することを目的としている。
まず,detourスコアとエントロピースコアに基づいて軌道複雑性を定義し,それに対応する複雑性対応意味グラフを構築する。
そこで本研究では,マルチビューグラフと複雑性認識トランスフォーマ (mgcat) モデルを提案する。
1)軌道パターンを考慮した多視点グラフの特徴の適応集計
2) 複雑軌道における臨界ノードへの注目度が高い。
このように、MGCATは複雑な軌道の臨界シナリオを扱う場合に知覚される。
大規模なデータセットで大規模な実験を行う。
以上の結果から, トラクタではf1-scoreが5.22%, f1-scoreが8.16%向上した。
コードはhttps://github.com/bonaldli/complextrajで入手できる。
関連論文リスト
- GTM: General Trajectory Modeling with Auto-regressive Generation of
Feature Domains [36.669502381935985]
General Trajectory Model (GTM) は、正規およびスパース軌跡に基づく様々なタスクをサポートすることを目的としている。
GTMは、再サンプリングされたスパース粒子が与えられた高密度サンプル軌道を再構成することで事前訓練される。
論文 参考訳(メタデータ) (2024-02-11T15:49:50Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - RNTrajRec: Road Network Enhanced Trajectory Recovery with
Spatial-Temporal Transformer [15.350300338463969]
本稿では,道路網を改良したトランスフォーマーベースフレームワーク RNTrajRec を提案する。
RNTrajRecはまずグラフモデル、すなわちGridGNNを使用して、各道路セグメントの埋め込み機能を学ぶ。
次にサブグラフ生成モジュールを導入し、各GPSポイントをGPSポイント周辺の道路ネットワークのサブグラフ構造として表現する。
論文 参考訳(メタデータ) (2022-11-23T11:28:32Z) - Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics [30.9735101687326]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-17T13:14:47Z) - DouFu: A Double Fusion Joint Learning Method For Driving Trajectory
Representation [13.321587117066166]
軌道表現型共同学習のための新しい多モード融合モデルDouFuを提案する。
まず、軌道データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計する。
グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
論文 参考訳(メタデータ) (2022-05-05T07:43:35Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳(メタデータ) (2021-11-30T04:30:10Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - A Deep Learning Framework for Generation and Analysis of Driving
Scenario Trajectories [2.908482270923597]
本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。
本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
論文 参考訳(メタデータ) (2020-07-28T23:33:05Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳(メタデータ) (2020-05-08T01:59:23Z)
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。