論文の概要: GenSTL: General Sparse Trajectory Learning via Auto-regressive Generation of Feature Domains

• arxiv url: http://arxiv.org/abs/2402.07232v1
• Date: Sun, 11 Feb 2024 15:49:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 16:42:38.198783
• Title: GenSTL: General Sparse Trajectory Learning via Auto-regressive Generation of Feature Domains
• Title（参考訳）: GenSTL:特徴領域の自動回帰生成による一般スパース軌道学習
• Authors: Yan Lin, Jilin Hu, Shengnan Guo, Bin Yang, Christian S. Jensen, Youfang Lin, Huaiyu Wan
• Abstract要約: 本稿では,新しい軌跡学習フレームワークGenSTLを提案する。 自己回帰的な特徴領域の生成を用いて、スパース軌道と高密度領域との間の接続を形成するように事前訓練されている。 2つの実世界の軌道データセットの実験は、異なるサンプリング間隔でスパース軌道と競合するフレームワークの能力に関する洞察を与える。
• 参考スコア（独自算出の注目度）: 36.669502381935985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectories are sequences of timestamped location samples. In sparse trajectories, the locations are sampled infrequently; and while such trajectories are prevalent in real-world settings, they are challenging to use to enable high-quality transportation-related applications. Current methodologies either assume densely sampled and accurately map-matched trajectories, or they rely on two-stage schemes, yielding sub-optimal applications. To extend the utility of sparse trajectories, we propose a novel sparse trajectory learning framework, GenSTL. The framework is pre-trained to form connections between sparse trajectories and dense counterparts using auto-regressive generation of feature domains. GenSTL can subsequently be applied directly in downstream tasks, or it can be fine-tuned first. This way, GenSTL eliminates the reliance on the availability of large-scale dense and map-matched trajectory data. The inclusion of a well-crafted feature domain encoding layer and a hierarchical masked trajectory encoder enhances GenSTL's learning capabilities and adaptability. Experiments on two real-world trajectory datasets offer insight into the framework's ability to contend with sparse trajectories with different sampling intervals and its versatility across different downstream tasks, thus offering evidence of its practicality in real-world applications.
• Abstract（参考訳）: 軌道はタイムスタンプされた位置サンプルのシーケンスである。 スパーストラジェクトリーでは、場所は頻繁にサンプリングされ、現実世界ではそのような軌道が一般的であるが、高品質の輸送関連アプリケーションを実現するために利用することは困難である。 現在の手法では、密集したサンプルと正確にマッピングされた軌跡を仮定するか、2段階のスキームに依存し、準最適応用をもたらす。 スパーストラジェクタ(sparse trajectories)の有用性を拡張するために,新しいスパース軌道学習フレームワークgenstlを提案する。 このフレームワークは、自己回帰的な特徴領域の生成を用いてスパース軌道と高密度領域の間の接続を形成するために事前訓練されている。 genstlはその後、下流タスクに直接適用することも、最初に微調整することもできる。 これにより、GenSTLは、大規模密集トラジェクトリデータとマップマッチングトラジェクトリデータの可用性に依存しない。 精巧な特徴領域エンコーディング層と階層的マスクド軌道エンコーダを含むことで、genstlの学習能力と適応性が向上する。 2つの実世界の軌道データセットに関する実験は、異なるサンプリング間隔のスパースな軌道と競合するフレームワークの能力と、異なる下流のタスクにまたがる汎用性に関する洞察を与え、実世界のアプリケーションで実用性を示す。

関連論文リスト

• PTR: A Pre-trained Language Model for Trajectory Recovery [31.08861372332931]
  そこで我々は, PTR と呼ばれるフレームワークを提案し, 限られた高密度軌跡データの問題を緩和する。 PTRは明示的な軌道プロンプトを組み込み、複数のサンプリング間隔を持つデータセットでトレーニングされる。 また、軌道点を符号化し、観測点と欠点の両方の埋め込みをPLMに理解可能な形式に変換する軌道埋め込み器を提案する。
  論文  参考訳（メタデータ） (2024-10-18T08:38:12Z)
• STCMOT: Spatio-Temporal Cohesion Learning for UAV-Based Multiple Object Tracking [13.269416985959404]
  無人航空機(UAV)ビデオにおける複数物体追跡(MOT)は、コンピュータビジョンにおける多様な用途において重要である。 時空間結合型多目的追跡フレームワーク(STCMOT)を提案する。 歴史的埋め込み機能を用いて,ReIDの表現と検出機能を逐次的にモデル化する。 我々のフレームワークはMOTAとIDF1メトリクスで新しい最先端のパフォーマンスを設定します。
  論文  参考訳（メタデータ） (2024-09-17T14:34:18Z)
• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• TrajCogn: Leveraging LLMs for Cognizing Movement Patterns and Travel Purposes from Trajectories [24.44686757572976]
  S時間軌道は様々なデータマイニング作業において重要である。 異なるタスクを高精度に行う多目的軌跡学習法を開発することが重要である。 モデルキャパシティの制限と、トラジェクトリデータセットの品質とスケールのため、これは難しい。
  論文  参考訳（メタデータ） (2024-05-21T02:33:17Z)
• TrajectoryFormer: 3D Object Tracking Transformer with Predictive Trajectory Hypotheses [51.60422927416087]
  3Dマルチオブジェクトトラッキング(MOT)は、自律走行車やサービスロボットを含む多くのアプリケーションにとって不可欠である。 本稿では,新しいポイントクラウドベースの3DMOTフレームワークであるTrjectoryFormerを紹介する。
  論文  参考訳（メタデータ） (2023-06-09T13:31:50Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• Generating Synthetic Training Data for Deep Learning-Based UAV Trajectory Prediction [11.241614693184323]
  本稿では,無人航空機車(UAV)の合成軌道データを生成する手法を提案する。 実世界のUAV追跡データセットにおいて,RNNに基づく予測モデルが従来の参照モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-01T13:08:31Z)
• 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)

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。