論文の概要: A Self-Supervised Transformer for Unusable Shared Bike Detection

• arxiv url: http://arxiv.org/abs/2505.00932v1
• Date: Fri, 02 May 2025 00:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.872876
• Title: A Self-Supervised Transformer for Unusable Shared Bike Detection
• Title（参考訳）: 不使用共有自転車検出のための自己監督型変圧器
• Authors: Yin Huang, Yongqi Dong, Youhua Tang, Alvaro García Hernandez,
• Abstract要約: 本稿では,未使用の共有自転車を自動的に検出する,新しい自己監督トランスフォーマ(SS Transformer)フレームワークを提案する。 このモデルには、自己教師付き事前学習戦略が組み込まれ、特徴抽出能力を向上し、続いて、効率的なステータス認識のための微調整が行われる。 10,730台の自転車の実際のデータセットの実験では、SSTransformerは従来の機械学習、アンサンブル学習、ディープラーニングベースラインを大きく上回っている。
• 参考スコア（独自算出の注目度）: 1.3948892744961128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of bike-sharing systems (BSS) has greatly improved urban "last-mile" connectivity, yet large-scale deployments face escalating operational challenges, particularly in detecting faulty bikes. Existing detection approaches either rely on static model-based thresholds that overlook dynamic spatiotemporal (ST) usage patterns or employ supervised learning methods that struggle with label scarcity and class imbalance. To address these limitations, this paper proposes a novel Self-Supervised Transformer (SSTransformer) framework for automatically detecting unusable shared bikes, leveraging ST features extracted from GPS trajectories and trip records. The model incorporates a self-supervised pre-training strategy to enhance its feature extraction capabilities, followed by fine-tuning for efficient status recognition. In the pre-training phase, the Transformer encoder learns generalized representations of bike movement via a self-supervised objective; in the fine-tuning phase, the encoder is adapted to a downstream binary classification task. Comprehensive experiments on a real-world dataset of 10,730 bikes (1,870 unusable, 8,860 normal) from Chengdu, China, demonstrate that SSTransformer significantly outperforms traditional machine learning, ensemble learning, and deep learning baselines, achieving the best accuracy (97.81%), precision (0.8889), and F1-score (0.9358). This work highlights the effectiveness of self-supervised Transformer on ST data for capturing complex anomalies in BSS, paving the way toward more reliable and scalable maintenance solutions for shared mobility.
• Abstract（参考訳）: 自転車シェアリングシステム(BSS)の急速な拡張により、都市部の「ラストマイル」接続は大幅に改善されたが、大規模な展開は、特に不良自転車の検出において、運用上の課題をエスカレートする。 既存の検出アプローチは、動的時空間(ST)の使用パターンを見渡す静的モデルベースのしきい値に依存するか、ラベル不足とクラス不均衡に対処する教師付き学習手法を採用する。 これらの制約に対処するために,GPSトラジェクトリや旅行記録から抽出したST特徴を利用して,使用不能な共有自転車を自動的に検出する,新しいセルフスーパーバイザートランスフォーマ(SS Transformer)フレームワークを提案する。 このモデルには、自己教師付き事前学習戦略が組み込まれ、特徴抽出能力を向上し、続いて、効率的なステータス認識のための微調整が行われる。 事前学習フェーズでは、トランスフォーマーエンコーダは、自己指導対象を介して自転車運動の一般化表現を学習し、微調整フェーズでは、下流バイナリ分類タスクに適応する。 中国・成都の10,730台の自転車(使用不可能、1,870台、正常8,860台)の実際のデータセットに関する包括的な実験では、SSTransformerが従来の機械学習、アンサンブル学習、ディープラーニングベースラインを大きく上回り、最高の精度(97.81%)、精度(0.8889台)、F1スコア(0.9358台)を達成した。 この研究は、STデータに対する自己教師型トランスフォーマーの有効性を強調し、BSSの複雑な異常を捕捉し、共有モビリティのためのより信頼性が高くスケーラブルなメンテナンスソリューションへの道を開く。

関連論文リスト

• DyTTP: Trajectory Prediction with Normalization-Free Transformers [0.0]
  トランスフォーマーベースのアーキテクチャは、複雑な堅牢性依存関係をキャプチャする上で大きな可能性を証明している。 これらの課題に対処するための2つのアプローチを提案する。 まず、トランスフォーマーを促進する最新の方法であるDynamicTanh(DyT)をバックボーンに統合し、従来のレイヤ正規化を置き換える。 DyTを軌道予測タスクにデプロイする最初の作業です。
  論文  参考訳（メタデータ） (2025-04-07T09:26:25Z)
• Enhancing Traffic Sign Recognition On The Performance Based On Yolov8 [0.0]
  この論文では、高度なデータ拡張技術を統合する拡張YOLOv8ベースの検出システムを提案する。 GTSRB、TT100K、GTSDBなどのデータセットで実施された実験では、検出精度、悪条件下での堅牢性、エッジデバイス上でのリアルタイム推論が著しく改善された。
  論文  参考訳（メタデータ） (2025-04-02T07:28:05Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Improving Batch Normalization with TTA for Robust Object Detection in Self-Driving [26.038699227233227]
  本稿では、自律運転における物体検出のためのTTAによるバッチ正規化を改善するための2つの新しいロバスト手法を提案する。 本稿では,一般探索エントロピー最小化法(GSEM)に基づく学習可能なBN層を提案する。 本稿では,モデルが最適解を反復的に探索することを奨励する,セマンティック一貫性に基づく2段階適応戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-28T01:59:34Z)
• CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
  本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。 まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。 分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
  論文  参考訳（メタデータ） (2024-11-25T07:56:13Z)
• Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI [0.0]
  本稿では,変分オートエンコーダ(VAE)に基づく知識蒸留手法を用いて,KD-XVAEと呼ばれる高度な侵入検知システムを提案する。 本モデルでは,1669個のパラメータで処理し,バッチ毎に0.3msの推論時間を実現することにより,複雑性を大幅に低減する。
  論文  参考訳（メタデータ） (2024-10-11T17:57:16Z)
• 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)
• Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
  半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。 事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。 本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:50:20Z)
• TransDARC: Transformer-based Driver Activity Recognition with Latent Space Feature Calibration [31.908276711898548]
  本稿では、視覚変換器に基づく二次運転行動認識のための視覚ベースのフレームワークと、機能分散キャリブレーションモジュールを提案する。 当社のフレームワークは,すべてのレベルにおいて,公的なDrive&Actベンチマークの過去の成果を上回り,認識率を常に向上させています。
  論文  参考訳（メタデータ） (2022-03-02T08:14:06Z)

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。