論文の概要: Mixed Gaussian Flow for Diverse Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2402.12238v1
- Date: Mon, 19 Feb 2024 15:48:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-02-20 15:46:45.718143
- Title: Mixed Gaussian Flow for Diverse Trajectory Prediction
- Title(参考訳): 逆軌道予測のための混合ガウス流
- Authors: Jiahe Chen, Jinkun Cao, Dahua Lin, Kris Kitani, Jiangmiao Pang
- Abstract要約: 混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
- 参考スコア(独自算出の注目度): 78.00204650749453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing trajectory prediction studies intensively leverage generative
models. Normalizing flow is one of the genres with the advantage of being
invertible to derive the probability density of predicted trajectories.
However, mapping from a standard Gaussian by a flow-based model hurts the
capacity to capture complicated patterns of trajectories, ignoring the
under-represented motion intentions in the training data. To solve the problem,
we propose a flow-based model to transform a mixed Gaussian prior into the
future trajectory manifold. The model shows a better capacity for generating
diverse trajectory patterns. Also, by associating each sub-Gaussian with a
certain subspace of trajectories, we can generate future trajectories with
controllable motion intentions. In such a fashion, the flow-based model is not
encouraged to simply seek the most likelihood of the intended manifold anymore
but a family of controlled manifolds with explicit interpretability. Our
proposed method is demonstrated to show state-of-the-art performance in the
quantitative evaluation of sampling well-aligned trajectories in top-M
generated candidates. We also demonstrate that it can generate diverse,
controllable, and out-of-distribution trajectories. Code is available at
https://github.com/mulplue/MGF.
- Abstract(参考訳): 既存の軌道予測研究は生成モデルを強く活用している。
流れの正規化は、予測される軌道の確率密度を引き出すことができないという利点を持つジャンルの1つである。
しかしながら、フローベースモデルによる標準ガウスモデルからのマッピングは、訓練データにおける表現不足の意図を無視して、複雑な軌道パターンをキャプチャする能力を傷つける。
この問題を解決するために,混合ガウス多様体を将来の軌道多様体に変換するフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また、各部分ガウジアンを軌跡の特定の部分空間に関連付けることで、制御可能な運動意図を持つ将来の軌跡を生成することができる。
このような方法では、フローベースモデルは単に意図された多様体の最も可能性を求めるのではなく、明示的な解釈可能性を持つ制御多様体の族である。
提案手法は,トップM生成候補における標本整列軌道の定量的評価における最先端性能を示す。
また,多様な,制御可能な,分布外のトラジェクトリを生成することも実証した。
コードはhttps://github.com/mulplue/mgfで入手できる。
関連論文リスト
- Gaussian Mixture Flow Matching Models [51.976452482535954]
拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。
離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。
本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
論文 参考訳(メタデータ) (2025-04-07T17:59:42Z) - Sequential Function-Space Variational Inference via Gaussian Mixture Approximation [0.6827423171182154]
逐次関数空間変動推論(英: Sequential function-space variational inference、SFSVI)は、変分推論に基づく連続学習法である。
ガウス混合変分分布を用いたSFSVI法を提案する。
最終平均精度の観点からは、ガウス混合法はガウス法よりも優れた性能を示し、確率に着目した手法は先行する手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2025-03-10T09:38:35Z) - End-To-End Learning of Gaussian Mixture Priors for Diffusion Sampler [15.372235873766812]
学習可能な混合前駆体は、探索の制御を改善し、目標支援への適応性を高め、モード崩壊に対抗するために増強する。
実験結果から,様々な実環境および総合的なベンチマーク問題に対して,大幅な性能向上が得られた。
論文 参考訳(メタデータ) (2025-03-01T14:58:14Z) - Stochastic Sampling from Deterministic Flow Models [8.849981177332594]
そこで本論文では,フローモデルを同じ境界分布を持つ微分方程式の族(SDE)に変換する手法を提案する。
我々は,おもちゃのガウスセットアップと大規模イメージネット生成タスクにおいて,提案手法の利点を実証的に実証した。
論文 参考訳(メタデータ) (2024-10-03T05:18:28Z) - Flow Map Matching [15.520853806024943]
フローマップマッチングは、基礎となる常微分方程式の2時間フローマップを学習するアルゴリズムである。
フローマップマッチングは, 拡散法や補間法と比較して, サンプリングコストを大幅に削減した高品質なサンプルとなることを示す。
論文 参考訳(メタデータ) (2024-06-11T17:41:26Z) - Marginalization Consistent Mixture of Separable Flows for Probabilistic Irregular Time Series Forecasting [4.714246221974192]
我々は,新しい確率的不規則時系列予測モデル,Marginalization Consistent Mixtures of Separable Flows (moses)を開発した。
mosesは、他の最先端のマーカライゼーション一貫性モデルより優れ、ProFITiと同等だが、ProFITiと異なり、マーカライゼーション一貫性を保証する。
論文 参考訳(メタデータ) (2024-06-11T13:28:43Z) - Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。
我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
論文 参考訳(メタデータ) (2024-05-31T16:18:46Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳(メタデータ) (2021-07-24T14:47:22Z) - Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。
DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
論文 参考訳(メタデータ) (2020-11-30T18:23:29Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z) - Flows for simultaneous manifold learning and density estimation [12.451050883955071]
多様体学習フロー(M-flow)は、多様体構造を持つデータセットをより忠実に表現する。
M-フローはデータ多様体を学習し、周囲のデータ空間の標準フローよりも優れた推論を可能にする。
論文 参考訳(メタデータ) (2020-03-31T02:07:48Z) - Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。
この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文 参考訳(メタデータ) (2020-03-04T08:15:06Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳(メタデータ) (2019-12-30T17:36:33Z)
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。