論文の概要: WildGraph: Realistic Graph-based Trajectory Generation for Wildlife

• arxiv url: http://arxiv.org/abs/2404.08068v1
• Date: Thu, 11 Apr 2024 18:13:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 16:34:33.670001
• Title: WildGraph: Realistic Graph-based Trajectory Generation for Wildlife
• Title（参考訳）: WildGraph: リアルなグラフベースの野生生物の軌道生成
• Authors: Ali Al-Lawati, Elsayed Eshra, Prasenjit Mitra,
• Abstract要約: 軌道生成は運動研究において重要な課題である。 ターゲットの人口から実際の軌跡を収集するプライバシー、倫理、技術的課題を回避している。 本稿では,野生生物の移動に類似した長距離軌道生成の問題点を,少数の実検体に基づいて考察する。
• 参考スコア（独自算出の注目度）: 3.4688186440441893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory generation is an important task in movement studies; it circumvents the privacy, ethical, and technical challenges of collecting real trajectories from the target population. In particular, real trajectories in the wildlife domain are scarce as a result of ethical and environmental constraints of the collection process. In this paper, we consider the problem of generating long-horizon trajectories, akin to wildlife migration, based on a small set of real samples. We propose a hierarchical approach to learn the global movement characteristics of the real dataset and recursively refine localized regions. Our solution, WildGraph, discretizes the geographic path into a prototype network of H3 (https://www.uber.com/blog/h3/) regions and leverages a recurrent variational auto-encoder to probabilistically generate paths over the regions, based on occupancy. WildGraph successfully generates realistic months-long trajectories using a sample size as small as 60. Experiments performed on two wildlife migration datasets demonstrate that our proposed method improves the generalization of the generated trajectories in comparison to existing work while achieving superior or comparable performance in several benchmark metrics. Our code is published on the following repository: \url{https://github.com/aliwister/wildgraph}.
• Abstract（参考訳）: 軌道生成は運動研究において重要な課題であり、ターゲットの集団から実際の軌道を収集するプライバシー、倫理、技術的課題を回避している。 特に、野生生物領域の実際の軌道は、収集プロセスの倫理的および環境的制約の結果、不足している。 本稿では,野生生物の移動に類似した長距離軌道生成の問題点を,少数の実検体に基づいて考察する。 本研究では,実際のデータセットのグローバルな移動特性を学習し,局所的に再帰的に洗練された領域を探索するための階層的アプローチを提案する。 我々のソリューションであるWildGraphは、地理的パスをH3(https://www.uber.com/blog/h3/)リージョンのプロトタイプネットワークに識別し、繰り返し変化する変分自動エンコーダを利用して、占有率に基づいて各リージョンの経路を確率的に生成する。 WildGraphは、サンプルサイズを60まで小さくして、現実的な数ヶ月の軌道を生成することに成功した。 2つの野生生物の移動データセットで行った実験により、提案手法は既存の作業と比較して生成した軌道の一般化を改善するとともに、いくつかのベンチマーク指標において優れた性能または同等のパフォーマンスを達成できることを示した。 私たちのコードは以下のリポジトリで公開されています。

関連論文リスト

• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• STAGE: Scalable and Traversability-Aware Graph based Exploration Planner for Dynamically Varying Environments [6.267574471145217]
  このフレームワークは,それぞれ局所グラフ層とグローバルグラフ層から構成される,新たな目標指向グラフ表現を中心に構成されている。 グローバルグラフは、シーケンシャルなサブグラフの重なり合う領域にのみノードエッジ情報交換を用いて、効率的な方法で構築される。 提案手法はシーン変更を処理し,グローバルグラフの障害部分をトラバーサブルからトラバーサブルに適応的に更新する。
  論文  参考訳（メタデータ） (2024-02-04T17:05:27Z)
• WildGEN: Long-horizon Trajectory Generation for Wildlife [3.8986045286948]
  軌道生成は歩行者、車両、野生動物の運動研究において重要な関心事である。 本研究では,変分オートエンコーダ(VAE)に基づく手法を用いて,この問題に対処する概念的フレームワークWildGENを紹介する。 その後、スムーズなフィルタに基づいて生成された軌跡の後の処理工程を行い、過度のさまよりを低減する。
  論文  参考訳（メタデータ） (2023-12-30T05:08:28Z)
• GraNet: A Multi-Level Graph Network for 6-DoF Grasp Pose Generation in Cluttered Scenes [0.5755004576310334]
  GraNetはグラフベースのグリップポーズ生成フレームワークで、ポイントクラウドシーンをマルチレベルグラフに変換する。 このパイプラインは, 散在するシーンにおけるグリップの空間分布を特徴付けることができ, 効果的グリップの速度が向上する。 提案手法は,大規模GraspNet-1Billionベンチマークにおいて,特に未確認オブジェクトの把握において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-06T08:36:29Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Learning Continuous Environment Fields via Implicit Functions [144.4913852552954]
  本研究では,到達距離(シーン内の任意の位置から目標までの距離)を,実現可能な軌道に沿って符号化する新しいシーン表現を提案する。 本研究では,2次元迷路や屋内3次元シーンにおけるエージェントの動的挙動を直接導出できることを実証する。
  論文  参考訳（メタデータ） (2021-11-27T22:36:58Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• $n$-Reference Transfer Learning for Saliency Prediction [73.17061116358036]
  本稿では,サリエンシ予測のための数発のトランスファー学習パラダイムを提案する。 提案するフレームワークは勾配ベースでモデルに依存しない。 その結果,提案フレームワークは大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-07-09T23:20:44Z)

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。