論文の概要: uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories
- arxiv url: http://arxiv.org/abs/2404.12712v1
- Date: Fri, 19 Apr 2024 08:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 15:45:58.767422
- Title: uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories
- Title(参考訳): uTRAND:交通軌道における教師なし異常検出
- Authors: Giacomo D'Amicantonio, Egor Bondarau, Peter H. N. de With,
- Abstract要約: 画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。
実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 5.6328191854587395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based approaches have achieved significant improvements on public video anomaly datasets, but often do not perform well in real-world applications. This paper addresses two issues: the lack of labeled data and the difficulty of explaining the predictions of a neural network. To this end, we present a framework called uTRAND, that shifts the problem of anomalous trajectory prediction from the pixel space to a semantic-topological domain. The framework detects and tracks all types of traffic agents in bird's-eye-view videos of traffic cameras mounted at an intersection. By conceptualizing the intersection as a patch-based graph, it is shown that the framework learns and models the normal behaviour of traffic agents without costly manual labeling. Furthermore, uTRAND allows to formulate simple rules to classify anomalous trajectories in a way suited for human interpretation. We show that uTRAND outperforms other state-of-the-art approaches on a dataset of anomalous trajectories collected in a real-world setting, while producing explainable detection results.
- Abstract(参考訳): ディープラーニングベースのアプローチは、パブリックビデオ異常データセットにおいて大幅に改善されているが、現実のアプリケーションではうまく機能しないことが多い。
本稿では、ラベル付きデータの欠如とニューラルネットワークの予測を説明することの難しさという2つの問題に対処する。
そこで我々は,画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。
このフレームワークは、交差点に設置された交通カメラの鳥の目視ビデオで、あらゆる種類の交通エージェントを検出し、追跡する。
共通点をパッチベースのグラフとして概念化することにより,コストのかかる手動ラベリングを伴わずに,トラヒックエージェントの通常の動作を学習し,モデル化できることが示されている。
さらに、uTRANDは、人間の解釈に適した方法で異常な軌跡を分類するための単純な規則を定式化することができる。
実世界で収集した異常軌道のデータセットに対して,uTRANDが他の最先端手法よりも優れており,説明可能な検出結果が得られた。
関連論文リスト
- SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
自律運転における軌道予測は、運転シーンのすべての関連状況の正確な表現に依存する。
本稿では,交通シーングラフを解析することで,セマンティックフォーマーがマルチモーダルトラジェクトリを予測する手法について述べる。
論文 参考訳(メタデータ) (2024-04-30T09:11:04Z) - Guarding Graph Neural Networks for Unsupervised Graph Anomaly Detection [16.485082741239808]
教師なしグラフ異常検出は、ラベルを使わずにグラフの多数から逸脱する稀なパターンを特定することを目的としている。
近年,グラフニューラルネットワーク(GNN)を用いて効率的なノード表現を学習している。
教師なしグラフ異常検出(G3AD)のためのグラフニューラルネットワークのガードフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-25T07:09:05Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳(メタデータ) (2023-10-09T20:32:49Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - 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 Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳(メタデータ) (2022-02-11T09:45:11Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。
この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。
本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
論文 参考訳(メタデータ) (2021-04-01T14:19:37Z) - Graph Convolutional Networks for traffic anomaly [4.172516437934823]
イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。
空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。
我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
論文 参考訳(メタデータ) (2020-12-25T22:36:22Z) - Improving Movement Predictions of Traffic Actors in Bird's-Eye View
Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。
一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。
本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。
提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-04-14T00:41:17Z)
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。