論文の概要: Target-driven Self-Distillation for Partial Observed Trajectories Forecasting
- arxiv url: http://arxiv.org/abs/2501.16767v1
- Date: Tue, 28 Jan 2025 07:46:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:41:28.865821
- Title: Target-driven Self-Distillation for Partial Observed Trajectories Forecasting
- Title(参考訳): 部分観測軌道予測のためのターゲット駆動型自己蒸留
- Authors: Pengfei Zhu, Peng Shu, Mengshi Qi, Liang Liu, Huadong Ma,
- Abstract要約: 運動予測のための目標駆動型自己蒸留法(TSD)を提案する。
自己蒸留を用いて、モデルは完全に観察された軌跡と部分的に観察された軌跡の両方の特徴分布から学習する。
これにより、完全に観察されたシナリオと部分的に観察されたシナリオの両方において、モデルが正確に動きを予測する能力が向上する。
- 参考スコア(独自算出の注目度): 41.636125879090116
- License:
- Abstract: Accurate prediction of future trajectories of traffic agents is essential for ensuring safe autonomous driving. However, partially observed trajectories can significantly degrade the performance of even state-of-the-art models. Previous approaches often rely on knowledge distillation to transfer features from fully observed trajectories to partially observed ones. This involves firstly training a fully observed model and then using a distillation process to create the final model. While effective, they require multi-stage training, making the training process very expensive. Moreover, knowledge distillation can lead to a performance degradation of the model. In this paper, we introduce a Target-driven Self-Distillation method (TSD) for motion forecasting. Our method leverages predicted accurate targets to guide the model in making predictions under partial observation conditions. By employing self-distillation, the model learns from the feature distributions of both fully observed and partially observed trajectories during a single end-to-end training process. This enhances the model's ability to predict motion accurately in both fully observed and partially observed scenarios. We evaluate our method on multiple datasets and state-of-the-art motion forecasting models. Extensive experimental results demonstrate that our approach achieves significant performance improvements in both settings. To facilitate further research, we will release our code and model checkpoints.
- Abstract(参考訳): 交通機関の将来の軌道の正確な予測は、安全な自動運転の確保に不可欠である。
しかし、部分的に観察された軌道は、最先端のモデルでも性能を著しく低下させることができる。
従来のアプローチでは、完全に観察された軌道から部分的に観察された軌道へ特徴を伝達するために知識蒸留に頼っていた。
これには、まず完全に観察されたモデルをトレーニングし、次に蒸留プロセスを使用して最終モデルを作成することが含まれる。
効果的ではあるが、多段階のトレーニングが必要であり、トレーニングプロセスは非常に高価である。
さらに、知識蒸留はモデルの性能劣化につながる可能性がある。
本稿では,運動予測のための目標駆動型自己蒸留法(TSD)を提案する。
本手法は, 予測精度の高い予測目標を利用して, 部分観測条件下での予測を導出する。
自己蒸留を用いて、モデルは、単一エンドツーエンドのトレーニングプロセスにおいて、完全に観察された軌跡と部分的に観察された軌跡の両方の特徴分布から学習する。
これにより、完全に観察されたシナリオと部分的に観察されたシナリオの両方において、モデルが正確に動きを予測する能力が向上する。
提案手法は,複数のデータセットと最先端動作予測モデルを用いて評価する。
大規模な実験結果から,本手法は両設定の大幅な性能向上を図っている。
さらなる研究を容易にするため、コードとモデルチェックポイントをリリースします。
関連論文リスト
- An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。
提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
論文 参考訳(メタデータ) (2024-12-18T12:10:33Z) - Decomposing weather forecasting into advection and convection with neural networks [6.78786601630176]
本稿では,動的コアの水平移動と物理パラメータ化の垂直移動を別々に学習する,シンプルで効果的な機械学習モデルを提案する。
我々のモデルは、大気モデルにおける変数の遷移をシミュレートするための、新しく効率的な視点を提供する。
論文 参考訳(メタデータ) (2024-05-10T16:46:32Z) - Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints [9.385936248154987]
動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。
本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2023-09-29T15:48:35Z) - Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。
画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2022-09-30T02:25:12Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳(メタデータ) (2021-12-17T18:29:56Z) - Sample Efficient Reinforcement Learning via Model-Ensemble Exploration
and Exploitation [3.728946517493471]
MEEEは楽観的な探索と重み付けによる搾取からなるモデルアンサンブル法である。
我々の手法は、特にサンプル複雑性において、他のモデルフリーおよびモデルベース最先端手法よりも優れています。
論文 参考訳(メタデータ) (2021-07-05T07:18:20Z) - Learning by Distillation: A Self-Supervised Learning Framework for
Optical Flow Estimation [71.76008290101214]
DistillFlowは光の流れを学ぶための知識蒸留手法である。
KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。
我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
論文 参考訳(メタデータ) (2021-06-08T09:13:34Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳(メタデータ) (2020-12-16T18:47:37Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z) - Vehicle Trajectory Prediction by Transfer Learning of Semi-Supervised
Models [1.5293427903448022]
本研究では,車両軌道予測のための半教師付きモデルにより,実世界のベンチマーク上での教師付きモデルよりも性能が大幅に向上することを示す。
半教師付きモデルと教師付きモデルの伝達学習を比較し、他のすべての要因を等しく保ちながらアブレーション研究を行う。
論文 参考訳(メタデータ) (2020-07-14T02:42:48Z)
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。