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

• Transferable Unsupervised Outlier Detection Framework for Human Semantic Trajectories [9.816270572121724]
  本稿では,TOD4Traj(Transferable Outlier Detection for Human Semantic Trajectories)フレームワークを提案する。 ToD4Trajはまず、多様なデータ特徴表現を整合させるモダリティ機能統一モジュールを導入した。 コントラスト学習モジュールは、時間的および集団間の定期的な移動パターンを特定するために、さらにプロポーズされる。
  論文  参考訳（メタデータ） (2024-09-28T22:31:00Z)
• Trajectory Anomaly Detection with Language Models [21.401931052512595]
  本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。 トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。 本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
  論文  参考訳（メタデータ） (2024-09-18T17:33:31Z)
• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• 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)
• 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)
• 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。