論文の概要: Improving Transferability for Cross-domain Trajectory Prediction via
Neural Stochastic Differential Equation
- arxiv url: http://arxiv.org/abs/2312.15906v1
- Date: Tue, 26 Dec 2023 06:50:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:43:20.379976
- Title: Improving Transferability for Cross-domain Trajectory Prediction via
Neural Stochastic Differential Equation
- Title(参考訳): 神経確率微分方程式によるクロスドメイン軌道予測の伝達性の向上
- Authors: Daehee Park, Jaewoo Jeong, and Kuk-Jin Yoon
- Abstract要約: 外部要因とデータ取得戦略によるデータセット間での相違がある。
大規模データセットでトレーニングされたモデルの熟練した性能は、他の小規模データセットでの転送可能性に制限がある。
本稿では,ニューラル微分方程式(NSDE)の連続的利用に基づく不一致の緩和手法を提案する。
提案手法の有効性は,一般的なベンチマークデータセットであるnuScenes,Argoverse,Lyft,InterinterAction,Open Motionデータセット上で,最先端の軌道予測モデルに対して検証される。
- 参考スコア(独自算出の注目度): 41.09061877498741
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-agent trajectory prediction is crucial for various practical
applications, spurring the construction of many large-scale trajectory
datasets, including vehicles and pedestrians. However, discrepancies exist
among datasets due to external factors and data acquisition strategies.
External factors include geographical differences and driving styles, while
data acquisition strategies include data acquisition rate, history/prediction
length, and detector/tracker error. Consequently, the proficient performance of
models trained on large-scale datasets has limited transferability on other
small-size datasets, bounding the utilization of existing large-scale datasets.
To address this limitation, we propose a method based on continuous and
stochastic representations of Neural Stochastic Differential Equations (NSDE)
for alleviating discrepancies due to data acquisition strategy. We utilize the
benefits of continuous representation for handling arbitrary time steps and the
use of stochastic representation for handling detector/tracker errors.
Additionally, we propose a dataset-specific diffusion network and its training
framework to handle dataset-specific detection/tracking errors. The
effectiveness of our method is validated against state-of-the-art trajectory
prediction models on the popular benchmark datasets: nuScenes, Argoverse, Lyft,
INTERACTION, and Waymo Open Motion Dataset (WOMD). Improvement in performance
gain on various source and target dataset configurations shows the generalized
competence of our approach in addressing cross-dataset discrepancies.
- Abstract(参考訳): マルチエージェント軌道予測は様々な実用的な用途に不可欠であり、車両や歩行者を含む多くの大規模軌道データセットの構築を促している。
しかし、外部要因とデータ取得戦略によるデータセット間の差異が存在する。
外部要因には地理的な違いと運転スタイル、データ取得戦略にはデータ取得率、履歴/予測長、検出/追跡エラーなどがある。
したがって、大規模データセットでトレーニングされたモデルの熟練した性能は、他の小規模データセットへの転送性に制限があり、既存の大規模データセットの利用が制限される。
この制限に対処するために、データ取得戦略による不一致を軽減するために、ニューラル確率微分方程式(NSDE)の連続的および確率的表現に基づく手法を提案する。
任意の時間ステップに対する連続表現の利点と,検出/トラッカーエラーに対する確率表現の利点を利用する。
さらに、データセット固有の検出/追跡エラーを処理するためのデータセット固有の拡散ネットワークとそのトレーニングフレームワークを提案する。
提案手法の有効性は, nuScenes, Argoverse, Lyft, InterACTION, Waymo Open Motion Dataset (WOMD) といった一般的なベンチマークデータセット上での最先端の軌跡予測モデルに対して検証される。
各種ソースおよびターゲットデータセット構成の性能向上は、データセット間の相違に対処する際のアプローチの一般的な能力を示している。
関連論文リスト
- UniLiDAR: Bridge the domain gap among different LiDARs for continual
learning [10.10834581581264]
本稿では,異なるLiDARを扱える統一モデルを開発することを目的とする。
幾何的配向とセマンティックラベルマッピングを利用した占有予測パイプラインUniLiDARを提案する。
UniLiDARは、直接マージされたデータセットでトレーニングされたモデルと比較して、占有率予測のmIoUをそれぞれ15.7%、12.5%上昇させる。
論文 参考訳(メタデータ) (2024-03-13T13:23:05Z) - 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) - Joint Distributional Learning via Cramer-Wold Distance [0.7614628596146602]
高次元データセットの共分散学習を容易にするために,クレーマー-ウォルド距離正規化を導入し,クレーマー-ウォルド距離正規化法を提案する。
また、フレキシブルな事前モデリングを可能にする2段階学習手法を導入し、集約後と事前分布のアライメントを改善する。
論文 参考訳(メタデータ) (2023-10-25T05:24:23Z) - Cross-feature Contrastive Loss for Decentralized Deep Learning on
Heterogeneous Data [8.946847190099206]
異種データに基づく分散学習のための新しい手法を提案する。
一対の隣接するエージェントのクロスフィーチャーは、他のエージェントのモデルパラメータに関するエージェントのデータから得られる特徴である。
実験の結果,提案手法は異種データを用いた分散学習手法に比べて性能(テスト精度が0.2~4%向上)が優れていることがわかった。
論文 参考訳(メタデータ) (2023-10-24T14:48:23Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。