論文の概要: Synthesizing Traffic Datasets using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2312.05031v1
• Date: Fri, 8 Dec 2023 13:24:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 15:16:07.539861
• Title: Synthesizing Traffic Datasets using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた交通データセットの合成
• Authors: Daniel Rodriguez-Criado, Maria Chli, Luis J. Manso, George Vogiatzis
• Abstract要約: 本稿では,2次元交通シミュレーションと記録ジャンクション映像からフォトリアリスティックな画像を作成することによって,この「シムリアル」ギャップを埋める新しい手法を提案する。 本稿では,現実的な都市交通画像の作成を容易にするために,条件付き生成適応ネットワークとグラフニューラルネットワーク(GNN)を統合した新しい画像生成手法を提案する。
• 参考スコア（独自算出の注目度）: 2.444217495283211
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Traffic congestion in urban areas presents significant challenges, and Intelligent Transportation Systems (ITS) have sought to address these via automated and adaptive controls. However, these systems often struggle to transfer simulated experiences to real-world scenarios. This paper introduces a novel methodology for bridging this `sim-real' gap by creating photorealistic images from 2D traffic simulations and recorded junction footage. We propose a novel image generation approach, integrating a Conditional Generative Adversarial Network with a Graph Neural Network (GNN) to facilitate the creation of realistic urban traffic images. We harness GNNs' ability to process information at different levels of abstraction alongside segmented images for preserving locality data. The presented architecture leverages the power of SPADE and Graph ATtention (GAT) network models to create images based on simulated traffic scenarios. These images are conditioned by factors such as entity positions, colors, and time of day. The uniqueness of our approach lies in its ability to effectively translate structured and human-readable conditions, encoded as graphs, into realistic images. This advancement contributes to applications requiring rich traffic image datasets, from data augmentation to urban traffic solutions. We further provide an application to test the model's capabilities, including generating images with manually defined positions for various entities.
• Abstract（参考訳）: 都市部における交通渋滞は大きな課題を呈しており、インテリジェントトランスポーテーションシステム(ITS)はこれらに自動および適応制御を用いて対処しようとしている。 しかし、これらのシステムはしばしばシミュレーションされた経験を現実のシナリオに移すのに苦労する。 本稿では、2次元交通シミュレーションと記録ジャンクション映像からフォトリアリスティック画像を作成することにより、この「シムリアル」ギャップを埋める新しい手法を提案する。 本稿では,現実的な都市交通画像の作成を容易にするために,条件付き生成適応ネットワークとグラフニューラルネットワーク(GNN)を統合した新しい画像生成手法を提案する。 局所性データを保存するために,GNNが様々な抽象化レベルで情報を処理できる機能を活用している。 提案アーキテクチャでは,SPADE と Graph Attention (GAT) ネットワークモデルのパワーを活用して,シミュレートされたトラフィックシナリオに基づいた画像を生成する。 これらの画像は、実体の位置、色、日時などの要因によって条件付けられている。 われわれのアプローチの独特さは、構造化された人間の可読性のある条件をグラフとしてエンコードしてリアルな画像に効果的に翻訳できることにある。 この進歩は、データ拡張から都市交通ソリューションまで、豊富なトラフィックイメージデータセットを必要とするアプリケーションに寄与する。 さらに、様々なエンティティの手動で定義された位置を持つ画像を生成するなど、モデルの能力をテストするアプリケーションも提供する。

関連論文リスト

• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Augmented Reality based Simulated Data (ARSim) with multi-view consistency for AV perception networks [47.07188762367792]
  ARSimは3次元合成オブジェクトを用いた実写多視点画像データの拡張を目的としたフレームワークである。 実データを用いて簡易な仮想シーンを構築し,その内部に戦略的に3D合成資産を配置する。 結果として得られたマルチビュー一貫性のあるデータセットは、自動運転車のためのマルチカメラ知覚ネットワークのトレーニングに使用される。
  論文  参考訳（メタデータ） (2024-03-22T17:49:11Z)
• Building a Graph-based Deep Learning network model from captured traffic traces [4.671648049111933]
  技術ネットワークモデルの現状は離散事象シミュレーション(DES)に基づいているか依存している DESは非常に正確であり、計算コストも高く、並列化も困難であり、高性能ネットワークをシミュレートするには実用的ではない。 我々は,実際のネットワークシナリオの複雑さをより正確に捉えるために,グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-18T11:16:32Z)
• TransWorldNG: Traffic Simulation via Foundation Model [23.16553424318004]
  データ駆動型アルゴリズムとグラフコンピューティング技術を用いて,実データからトラフィックダイナミクスを学習する交通シミュレータTransWordNGを提案する。 その結果,TransWorldNGは従来のシミュレータよりも現実的なトラフィックパターンを生成できることがわかった。
  論文  参考訳（メタデータ） (2023-05-25T05:49:30Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Unsupervised Traffic Scene Generation with Synthetic 3D Scene Graphs [83.9783063609389]
  本稿では,ドメイン不変シーン表現に基づくトラフィックシーンの画像をレンダリングせずに直接合成する手法を提案する。 具体的には、内部表現として合成シーングラフに依存し、現実的な交通シーン合成のための教師なしニューラルネットワークアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2023-03-15T09:26:29Z)
• Attention Mechanism for Contrastive Learning in GAN-based Image-to-Image Translation [3.90801108629495]
  本稿では,異なる領域にまたがって高品質な画像を生成可能なGANモデルを提案する。 実世界から取得した画像データと3Dゲームからのシミュレーション画像を用いて、Contrastive Learningを利用してモデルを自己指導的に訓練する。
  論文  参考訳（メタデータ） (2023-02-23T14:23:23Z)
• Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
  近年,Bird's-Eye View (BEV) の知覚が注目されている。 自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。 本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
  論文  参考訳（メタデータ） (2023-01-11T18:39:34Z)
• SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
  私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。 実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
  論文  参考訳（メタデータ） (2021-01-16T22:51:43Z)
• Using Simulated Data to Generate Images of Climate Change [108.43373369198765]
  シミュレーションされた3次元環境からの画像を用いて,MUNITアーキテクチャによるドメイン適応タスクを改善する可能性について検討する。 気候変動の潜在的な影響に対する認識を高めるために、得られた画像を利用することを目指しています。
  論文  参考訳（メタデータ） (2020-01-26T22:19:13Z)

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。