論文の概要: Unify Change Point Detection and Segment Classification in a Regression
Task for Transportation Mode Identification
- arxiv url: http://arxiv.org/abs/2312.04821v1
- Date: Fri, 8 Dec 2023 03:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 16:08:28.670697
- Title: Unify Change Point Detection and Segment Classification in a Regression
Task for Transportation Mode Identification
- Title(参考訳): 移動モード識別のための回帰作業における変更点検出とセグメント分類
- Authors: Rongsong Li, Xin Pei
- Abstract要約: 変更点検出とセグメント分類を統合回帰タスクとして再編成することを提案する。
このようにして、本手法は、トラヒックを教師付き方式でセグメントに分割し、よりコンテキスト情報を活用する。
TrajYOLOとTrajSSDという2つのフレームワークがレグレッションタスクを解決するために提案されている。
- 参考スコア(独自算出の注目度): 3.6713387874278256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying travelers' transportation modes is important in transportation
science and location-based services. It's appealing for researchers to leverage
GPS trajectory data to infer transportation modes with the popularity of
GPS-enabled devices, e.g., smart phones. Existing studies frame this problem as
classification task. The dominant two-stage studies divide the trip into
single-one mode segments first and then categorize these segments. The over
segmentation strategy and inevitable error propagation bring difficulties to
classification stage and make optimizing the whole system hard. The recent
one-stage works throw out trajectory segmentation entirely to avoid these by
directly conducting point-wise classification for the trip, whereas leaving
predictions dis-continuous. To solve above-mentioned problems, inspired by YOLO
and SSD in object detection, we propose to reframe change point detection and
segment classification as a unified regression task instead of the existing
classification task. We directly regress coordinates of change points and
classify associated segments. In this way, our method divides the trip into
segments under a supervised manner and leverage more contextual information,
obtaining predictions with high accuracy and continuity. Two frameworks,
TrajYOLO and TrajSSD, are proposed to solve the regression task and various
feature extraction backbones are exploited. Exhaustive experiments on GeoLife
dataset show that the proposed method has competitive overall identification
accuracy of 0.853 when distinguishing five modes: walk, bike, bus, car, train.
As for change point detection, our method increases precision at the cost of
drop in recall. All codes are available at
https://github.com/RadetzkyLi/TrajYOLO-SSD.
- Abstract(参考訳): 旅行者の交通手段の特定は交通科学や位置情報サービスにおいて重要である。
スマートフォンなどのGPS対応デバイスの人気で、GPSトラジェクトリデータを使って交通手段を推測することが、研究者にアピールしている。
既存の研究ではこの問題を分類課題として扱っている。
支配的な2段階の研究は、トリップをまず1つのモードセグメントに分割し、次にこれらのセグメントを分類する。
オーバーセグメンテーション戦略と避けられないエラー伝播は、分類段階に困難をもたらし、システム全体の最適化を難しくする。
最近の1段階の研究では、軌道のセグメンテーションを完全に排除し、旅行のポイントワイズ分類を直接実行し、予測は不連続である。
オブジェクト検出におけるyoloとssdに触発された上記の課題を解決するため,既存の分類タスクに代えて,変更点検出とセグメント分類を統一回帰タスクとして再フレーム化する手法を提案する。
変更点の座標を直接回帰し、関連するセグメントを分類する。
このようにして,本手法はトラヒックを教師付き方式でセグメントに分割し,よりコンテキスト情報を活用し,高精度で連続的な予測を行う。
TrajYOLOとTrajSSDという2つのフレームワークがレグレッションタスクを解決するために提案され、さまざまな機能抽出バックボーンが利用される。
ジオライフデータセットの徹底的な実験により,歩行,自転車,バス,車,電車の5つのモードを識別した場合,提案手法の総合識別精度は0.853であった。
変化点検出については,リコールコストの低減により精度が向上する。
すべてのコードはhttps://github.com/RadetzkyLi/TrajYOLO-SSDで入手できる。
関連論文リスト
- Enhancing stop location detection for incomplete urban mobility datasets [0.0]
本研究は, 位置同定のための密度に基づく手法を強化するために, 分類アルゴリズムの適用について検討する。
提案手法は,様々な時間にまたがる個別のルーチン行動を含む複数の特徴を取り入れ,個々のGPS点の局所的特徴を拡大する。
論文 参考訳(メタデータ) (2024-07-16T10:41:08Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳(メタデータ) (2023-03-27T15:07:55Z) - Tracking Every Thing in the Wild [61.917043381836656]
我々は,新しい測定基準であるTrack Every Thing Accuracy(TETA)を導入し,測定結果を3つのサブファクター(ローカライゼーション,アソシエーション,分類)に分割する。
実験の結果、TETAはトラッカーをより包括的に評価し、TETerはBDD100KとTAOに挑戦する大規模データセットを大幅に改善することがわかった。
論文 参考訳(メタデータ) (2022-07-26T15:37:19Z) - TraSeTR: Track-to-Segment Transformer with Contrastive Query for
Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。
TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。
提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
論文 参考訳(メタデータ) (2022-02-17T05:52:18Z) - SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。
未発見のオブジェクトを扱うには不備だ。
このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文 参考訳(メタデータ) (2021-04-30T07:58:19Z) - Semi-Anchored Detector for One-Stage Object Detection [24.42034747738174]
標準の1段検出器は、分類と回帰の2つのタスクで構成されている。
ResNet-101をバックボーンとし、提案されたセミアンコール検出器はCOCOデータセット上で43.6%のmAPを達成する。
論文 参考訳(メタデータ) (2020-09-10T16:57:09Z) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳(メタデータ) (2020-07-16T23:25:09Z) - Wise Sliding Window Segmentation: A classification-aided approach for
trajectory segmentation [11.174536284571802]
ワイズスライディングウィンドウ(WS-II)と呼ばれる教師付き軌道分割アルゴリズムを提案する。
WS-IIは軌道座標を処理し、空間と時間の変化を見つけ、エラー信号を生成する。
提案手法は,異なる領域の3つの実データに対して評価する。
論文 参考訳(メタデータ) (2020-03-23T12:55:40Z)
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。