論文の概要: PPT: Pre-Training with Pseudo-Labeled Trajectories for Motion Forecasting

• arxiv url: http://arxiv.org/abs/2412.06491v1
• Date: Mon, 09 Dec 2024 13:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 23:11:44.369465
• Title: PPT: Pre-Training with Pseudo-Labeled Trajectories for Motion Forecasting
• Title（参考訳）: PPT:Pseudo-labeled Trajectories を用いた動き予測のための事前学習
• Authors: Yihong Xu, Yuan Yin, Tuan-Hung Vu, Alexandre Boulch, Éloi Zablocki, Matthieu Cord,
• Abstract要約: 自律走行のための運動予測は、複雑な都市シナリオにおける周辺エージェントの軌道予測を目的としている。 本研究では,擬似ラベル付きデータを用いたMFトレーニングにおいて,まず擬似ラベル付きデータを用いた事前学習動作予測を行い,注釈付きデータによる微調整を行う混合戦略について検討する。
• 参考スコア（独自算出の注目度）: 90.47748423913369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion forecasting (MF) for autonomous driving aims at anticipating trajectories of surrounding agents in complex urban scenarios. In this work, we investigate a mixed strategy in MF training that first pre-train motion forecasters on pseudo-labeled data, then fine-tune them on annotated data. To obtain pseudo-labeled trajectories, we propose a simple pipeline that leverages off-the-shelf single-frame 3D object detectors and non-learning trackers. The whole pre-training strategy including pseudo-labeling is coined as PPT. Our extensive experiments demonstrate that: (1) combining PPT with supervised fine-tuning on annotated data achieves superior performance on diverse testbeds, especially under annotation-efficient regimes, (2) scaling up to multiple datasets improves the previous state-of-the-art and (3) PPT helps enhance cross-dataset generalization. Our findings showcase PPT as a promising pre-training solution for robust motion forecasting in diverse autonomous driving contexts.
• Abstract（参考訳）: 自律走行のための運動予測(MF)は、複雑な都市シナリオにおける周辺エージェントの軌道予測を目的としている。 本研究では,擬似ラベル付きデータを用いたMFトレーニングにおいて,まず擬似ラベル付きデータを用いた事前学習動作予測を行い,注釈付きデータによる微調整を行う混合戦略について検討する。 擬似ラベル付き軌道を得るために,既製の単フレーム3次元物体検出器と非学習トラッカーを利用する単純なパイプラインを提案する。 擬似ラベルを含む事前学習戦略全体をPTとして作成する。 1) 注釈付きデータに対するPTと教師付き微調整を組み合わせることで,特にアノテーション効率のよい条件下でのテストベッドの性能向上,(2) 複数のデータセットへのスケールアップによる過去の最先端化,(3) PPTはクロスデータセットの一般化の促進に有効である。 以上の結果から, PPTは自律走行環境におけるロバストな動き予測のための有望な事前学習ソリューションであることが示された。

関連論文リスト

• Finetuning Pre-trained Model with Limited Data for LiDAR-based 3D Object Detection by Bridging Domain Gaps [8.897884780881535]
  LiDARベースの3Dオブジェクト検出器は、センサーの設定が異なるターゲットドメインにうまく適応できないことが多い。 近年の研究では、トレーニング済みのバックボーンは大規模でラベルのないLiDARフレームで自己管理的に学習できることが示唆されている。 本研究では,対象データに制限のある事前学習モデルを適用するために,DADT(Domain Adaptive Distill-Tuning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T08:22:42Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• DPTraj-PM: Differentially Private Trajectory Synthesis Using Prefix Tree and Markov Process [1.800676987432211]
  DPTraj-PMは,差分プライバシーの枠組みの下でトラジェクトリデータセットを合成する手法である。 DPTraj-PMは、生の軌跡を隣接する細胞に識別し、プレフィックスツリー構造とm次マルコフ過程を組み合わせてモデル化する。 DPTraj-PMが作成した出力トレースは、個人の移動行動のパターンと変動性を保持するだけでなく、個人のプライバシーも保護している。
  論文  参考訳（メタデータ） (2024-04-22T11:52:11Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• 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)
• Efficient Baselines for Motion Prediction in Autonomous Driving [7.608073471097835]
  複数の周辺エージェントの運動予測(MP)は、任意に複雑な環境において重要な課題である。 注意機構やGNNを含むMPのためのSOTA(State-Of-The-Art)技術を用いて,コンパクトなモデルを開発することを目指している。
  論文  参考訳（メタデータ） (2023-09-06T22:18:16Z)

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。