論文の概要: MulCPred: Learning Multi-modal Concepts for Explainable Pedestrian Action Prediction

• arxiv url: http://arxiv.org/abs/2409.09446v1
• Date: Sat, 14 Sep 2024 14:15:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 20:47:24.884121
• Title: MulCPred: Learning Multi-modal Concepts for Explainable Pedestrian Action Prediction
• Title（参考訳）: MulCPred: 説明可能な歩行者行動予測のためのマルチモーダル概念の学習
• Authors: Yan Feng, Alexander Carballo, Keisuke Fujii, Robin Karlsson, Ming Ding, Kazuya Takeda,
• Abstract要約: MulCPredは、トレーニングサンプルで表されるマルチモーダルな概念に基づいて、その予測を説明する。 MulCPredは複数のデータセットとタスクで評価される。
• 参考スコア（独自算出の注目度）: 57.483718822429346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pedestrian action prediction is of great significance for many applications such as autonomous driving. However, state-of-the-art methods lack explainability to make trustworthy predictions. In this paper, a novel framework called MulCPred is proposed that explains its predictions based on multi-modal concepts represented by training samples. Previous concept-based methods have limitations including: 1) they cannot directly apply to multi-modal cases; 2) they lack locality to attend to details in the inputs; 3) they suffer from mode collapse. These limitations are tackled accordingly through the following approaches: 1) a linear aggregator to integrate the activation results of the concepts into predictions, which associates concepts of different modalities and provides ante-hoc explanations of the relevance between the concepts and the predictions; 2) a channel-wise recalibration module that attends to local spatiotemporal regions, which enables the concepts with locality; 3) a feature regularization loss that encourages the concepts to learn diverse patterns. MulCPred is evaluated on multiple datasets and tasks. Both qualitative and quantitative results demonstrate that MulCPred is promising in improving the explainability of pedestrian action prediction without obvious performance degradation. Furthermore, by removing unrecognizable concepts from MulCPred, the cross-dataset prediction performance is improved, indicating the feasibility of further generalizability of MulCPred.
• Abstract（参考訳）: 歩行者の行動予測は、自律運転のような多くのアプリケーションにとって非常に重要である。 しかし、最先端の手法には、信頼できる予測を行うための説明性がない。 本稿では,MulCPredと呼ばれる新しいフレームワークを提案する。 従来の概念に基づく手法には、以下の制限がある。 1) マルチモーダルケースには適用できない。 2 入力の詳細に供する地域性がないこと。 3)モード崩壊に苦しむ。 これらの制限は以下のアプローチによって取り組まれる。 1) 概念の活性化結果を予測に統合する線形集約装置であって,異なるモダリティの概念を関連付け,概念と予測の関係性に関するアンテホックな説明を提供するものである。 2) 局地性の概念を実現するため,局地性時空間に随伴するチャンネルワイド・リカレーションモジュール 3) 多様なパターンを学習するコンセプトを促進する機能正規化の損失。 MulCPredは複数のデータセットとタスクで評価される。 定性的かつ定量的な結果は、MulCPredが明らかな性能劣化を伴わずに歩行者行動予測の説明可能性を向上させることを約束していることを示している。 さらに、認識不能な概念をMulCPredから取り除くことにより、MulCPredのさらなる一般化可能性を示すクロスデータセット予測性能が向上する。

関連論文リスト

• Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
  Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。 モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
  論文  参考訳（メタデータ） (2024-10-16T03:33:40Z)
• Interpretable Prognostics with Concept Bottleneck Models [5.939858158928473]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、概念的説明に基づいて本質的に解釈可能なニューラルネットワークアーキテクチャである。 CBMはドメインの専門家がテスト時にコンセプトアクティベーションに介入できるようにする。 ケーススタディでは,CBMの性能がブラックボックスモデルと同等か優れていることが示されている。
  論文  参考訳（メタデータ） (2024-05-27T18:15:40Z)
• Knowledge-Aware Neuron Interpretation for Scene Classification [32.32713349524347]
  画像シーン分類のためのモデル予測を説明するための知識認識型ニューロン解釈フレームワークを提案する。 概念完全性については,概念の完全性を評価するために,知識グラフ(ConceptNet)に基づくシーンの中核概念を提示する。 概念融合のために,概念フィルタリング(Concept Filtering)と呼ばれる知識グラフに基づく手法を導入する。
  論文  参考訳（メタデータ） (2024-01-29T01:00:17Z)
• Beyond Concept Bottleneck Models: How to Make Black Boxes Intervenable? [8.391254800873599]
  本稿では,設計によって解釈できない事前学習型ニューラルネットワークに対して,概念に基づく介入を行う手法を提案する。 我々は、インターベンタビリティの概念を概念に基づく介入の有効性の尺度として定式化し、この定義を微調整ブラックボックスに活用する。
  論文  参考訳（メタデータ） (2024-01-24T16:02:14Z)
• Do Concept Bottleneck Models Respect Localities? [14.77558378567965]
  概念に基づく手法は、人間の理解可能な概念を用いてモデル予測を説明する。 ローカリティ(Localities)とは、概念の価値を予測する際に、関連する機能のみを使用することである。 CBMは、独立概念が重複しない特徴部分集合に局所化されている場合でも、局所性を捉えない。
  論文  参考訳（メタデータ） (2024-01-02T16:05:23Z)
• Improving Language Models Meaning Understanding and Consistency by Learning Conceptual Roles from Dictionary [65.268245109828]
  現代事前訓練言語モデル(PLM)の非人間的行動は、その信頼性を損なう主要な原因である。 驚くべき現象は、矛盾した結果を生み出す不整合予測の生成である。 本研究では,PLMの認知度を向上させることで,一貫性のない行動問題を緩和する実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:15:15Z)
• Promises and Pitfalls of Black-Box Concept Learning Models [26.787383014558802]
  概念学習を取り入れた機械学習モデルは、事前に定義された概念を超えて情報をエンコードする。 自然緩和戦略は完全には機能せず、下流予測の解釈を誤解させる。
  論文  参考訳（メタデータ） (2021-06-24T21:00:28Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Three Steps to Multimodal Trajectory Prediction: Modality Clustering, Classification and Synthesis [54.249502356251085]
  我々は新しい予測フレームワークと共に新しい洞察を示す。 提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
  論文  参考訳（メタデータ） (2021-03-14T06:21:03Z)
• Dynamic Inference: A New Approach Toward Efficient Video Action Recognition [69.9658249941149]
  ビデオにおけるアクション認識は近年大きな成功を収めているが、膨大な計算コストのために依然として難しい課題である。 本稿では,異なるビデオの識別可能性の変動を利用して,推論効率を向上させるための一般的な動的推論手法を提案する。
  論文  参考訳（メタデータ） (2020-02-09T11:09:56Z)

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。