論文の概要: SSTP: Efficient Sample Selection for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2409.17385v2
• Date: Thu, 20 Mar 2025 03:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:32:54.837152
• Title: SSTP: Efficient Sample Selection for Trajectory Prediction
• Title（参考訳）: SSTP:軌道予測のための効率的なサンプル選択
• Authors: Ruining Yang, Yi Xu, Yun Fu, Lili Su,
• Abstract要約: 大規模データセット上での高度な軌道予測モデルのトレーニングは、時間と計算コストがかかる。 本稿では,軌道予測のためのコンパクトでバランスの取れたデータセットを構築する,軌道予測のためのサンプル選択フレームワークを提案する。 SSTPは強力な一般化と堅牢性を示し、選択されたサブセットはモデルに依存しず、広く適用可能なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 46.9148610403273
• License:
• Abstract: Trajectory prediction is a core task in autonomous driving. However, training advanced trajectory prediction models on large-scale datasets is both time-consuming and computationally expensive. In addition, the imbalanced distribution of driving scenarios often biases models toward data-rich cases, limiting performance in safety-critical, data-scarce conditions. To address these challenges, we propose the Sample Selection for Trajectory Prediction (SSTP) framework, which constructs a compact yet balanced dataset for trajectory prediction. SSTP consists of two main stages (1) Extraction, in which a pretrained trajectory prediction model computes gradient vectors for each sample to capture their influence on parameter updates; and (2) Selection, where a submodular function is applied to greedily choose a representative subset that covers diverse driving scenarios. This approach significantly reduces the dataset size and mitigates scenario imbalance, without sacrificing prediction accuracy and even improving in high-density cases. We evaluate our proposed SSTP on the Argoverse 1 and Argoverse 2 benchmarks using a wide range of recent state-of-the-art models. Our experiments demonstrate that SSTP achieves comparable performance to full-dataset training using only half the data while delivering substantial improvements in high-density traffic scenes and significantly reducing training time. Importantly, SSTP exhibits strong generalization and robustness, and the selected subset is model-agnostic, offering a broadly applicable solution.
• Abstract（参考訳）: 軌道予測は自動運転における中核的な課題である。 しかし、大規模データセット上での高度な軌道予測モデルのトレーニングには、時間を要することと計算コストの両方がかかる。 さらに、運転シナリオの不均衡な分布は、しばしばモデルからデータリッチなケースに偏り、安全クリティカルでデータスカースな条件におけるパフォーマンスを制限します。 これらの課題に対処するために,軌道予測のためのコンパクトでバランスの取れたデータセットを構成する,軌道予測のためのサンプル選択(SSTP)フレームワークを提案する。 SSTPは,(1)事前学習された軌道予測モデルが各サンプルの勾配ベクトルを計算してパラメータ更新への影響を捉える抽出,(2)サブモジュール関数を適用して,多様な運転シナリオをカバーする代表サブセットを選択する選択という2つの主要な段階から構成される。 このアプローチはデータセットのサイズを大幅に削減し、予測精度を犠牲にすることなくシナリオの不均衡を軽減し、高密度ケースでも改善する。 我々は,Argoverse 1 と Argoverse 2 のベンチマークで提案した SSTP を,最近の最先端モデルを用いて評価した。 実験の結果,SSTPはデータの半分しか使用せず,高密度交通シーンの大幅な改善とトレーニング時間の大幅な短縮を実現していることがわかった。 重要なことに、SSTPは強力な一般化と堅牢性を示し、選択されたサブセットはモデルに依存しず、広く適用可能なソリューションを提供する。

関連論文リスト

• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• TrACT: A Training Dynamics Aware Contrastive Learning Framework for Long-tail Trajectory Prediction [7.3292387742640415]
  本稿では,よりリッチなトレーニングダイナミックス情報を,原型的コントラスト学習フレームワークに組み込むことを提案する。 我々は,2つの大規模自然主義データセットを用いたアプローチの実証評価を行った。
  論文  参考訳（メタデータ） (2024-04-18T23:12:46Z)
• Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data? [0.8002196839441036]
  本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。 提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
  論文  参考訳（メタデータ） (2023-10-31T11:23:10Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Improved Distribution Matching for Dataset Condensation [91.55972945798531]
  本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。 提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
  論文  参考訳（メタデータ） (2023-07-19T04:07:33Z)
• Large Scale Autonomous Driving Scenarios Clustering with Self-supervised Feature Extraction [6.804209932400134]
  本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。 提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。 新たに設計されたデータクラスタリング評価メトリクスは、データ拡張に基づくものであるため、精度評価には人間のラベル付きデータセットは必要ない。
  論文  参考訳（メタデータ） (2021-03-30T06:22:40Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• 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。