論文の概要: Contrast & Compress: Learning Lightweight Embeddings for Short Trajectories

• arxiv url: http://arxiv.org/abs/2506.02571v1
• Date: Tue, 03 Jun 2025 07:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.414292
• Title: Contrast & Compress: Learning Lightweight Embeddings for Short Trajectories
• Title（参考訳）: コントラストと圧縮:短い軌道の軽量な埋め込みを学習する
• Authors: Abhishek Vivekanandan, Christian Hubschneider, J. Marius Zöllner,
• Abstract要約: トランスフォーマーエンコーダを応用して, 短い軌道の固定次元埋め込みを学習するための新しいフレームワークを提案する。 コントラスト学習パラダイムにおけるコサインとFFTに基づく類似度指標の影響を分析した。 Argoverse 2データセットに対する実験的な評価は、Cosine類似性目的によって形成された埋め込みが軌道のより優れたクラスタリングをもたらすことを示す。
• 参考スコア（独自算出の注目度）: 11.6132604160666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to retrieve semantically and directionally similar short-range trajectories with both accuracy and efficiency is foundational for downstream applications such as motion forecasting and autonomous navigation. However, prevailing approaches often depend on computationally intensive heuristics or latent anchor representations that lack interpretability and controllability. In this work, we propose a novel framework for learning fixed-dimensional embeddings for short trajectories by leveraging a Transformer encoder trained with a contrastive triplet loss that emphasize the importance of discriminative feature spaces for trajectory data. We analyze the influence of Cosine and FFT-based similarity metrics within the contrastive learning paradigm, with a focus on capturing the nuanced directional intent that characterizes short-term maneuvers. Our empirical evaluation on the Argoverse 2 dataset demonstrates that embeddings shaped by Cosine similarity objectives yield superior clustering of trajectories by both semantic and directional attributes, outperforming FFT-based baselines in retrieval tasks. Notably, we show that compact Transformer architectures, even with low-dimensional embeddings (e.g., 16 dimensions, but qualitatively down to 4), achieve a compelling balance between retrieval performance (minADE, minFDE) and computational overhead, aligning with the growing demand for scalable and interpretable motion priors in real-time systems. The resulting embeddings provide a compact, semantically meaningful, and efficient representation of trajectory data, offering a robust alternative to heuristic similarity measures and paving the way for more transparent and controllable motion forecasting pipelines.
• Abstract（参考訳）: 意味的および方向的に類似した短距離軌跡を精度と効率の両方で検索できることは、モーション予測や自律ナビゲーションといった下流アプリケーションに基礎を置いている。 しかし、一般的なアプローチは、解釈可能性や制御性に欠ける計算集約的なヒューリスティックや潜在的なアンカー表現に依存することが多い。 本研究では,トラジェクティブデータに対する識別的特徴空間の重要性を強調する3重項損失を学習したトランスフォーマーエンコーダを活用することで,短いトラジェクトリに対する固定次元埋め込みを学習するための新しいフレームワークを提案する。 コントラスト学習パラダイムにおけるコサインとFFTに基づく類似度指標の影響を分析し,短期的な操作を特徴付けるニュアンス指向の意図を捉えることに焦点を当てた。 Argoverse 2データセットを用いた実験により,コサイン類似性目的によって形成された埋め込みが,意味的属性と方向属性の両方でトラジェクトリのより優れたクラスタリングを実現し,FFTベースのベースラインを検索タスクで上回ることを示す。 特に,小型トランスフォーマーアーキテクチャは,低次元の埋め込み(例えば16次元だが,定性的に4階まで)であっても,検索性能(minADE, minFDE)と計算オーバーヘッドのバランスが良好であることを示し,リアルタイムシステムにおける拡張性と解釈可能な動作先行要求の増大に対応している。 結果として得られる埋め込みは、コンパクトで意味論的かつ効率的なトラジェクトリデータの表現を提供し、ヒューリスティックな類似性の尺度に代わる堅牢な代替手段を提供し、より透明で制御可能なモーション予測パイプラインの道を開く。

関連論文リスト

• TraF-Align: Trajectory-aware Feature Alignment for Asynchronous Multi-agent Perception [7.382491303268417]
  TraF-Alignは、過去の観測からエゴ車両の現在までの物体の特徴レベル軌道を予測することによって、特徴のフローパスを学習する。 このアプローチは空間的不整合を補正し、エージェント間のセマンティックな一貫性を確保し、効果的に動きを補償する。 2つの実世界のデータセットであるV2V4RealとDAIR-V2X-Seqの実験は、TraF-Alignが非同期協調知覚のための新しいベンチマークを設定していることを示している。
  論文  参考訳（メタデータ） (2025-03-25T06:56:35Z)
• T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation [6.844357745770191]
  軌道類似性計算は,様々なアプリケーション間での空間データの移動パターンを解析するための重要な手法である。 本稿では,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性手法T-JEPAを提案する。
  論文  参考訳（メタデータ） (2024-06-13T09:51:51Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Contrastive Trajectory Similarity Learning with Dual-Feature Attention [24.445998309807965]
  トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。 そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。 TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
  論文  参考訳（メタデータ） (2022-10-11T05:25:14Z)
• ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks [27.452831603278565]
  本稿では,2対の軌跡間の微粒な空間的・時間的関係を考慮した軌道学習型アーキテクチャST2Vecを提案する。 カリキュラムの概念にインスパイアされたST2Vecは、モデル最適化のためのカリキュラム学習を採用し、収束性と有効性の両方を改善している。 実験的研究は、ST2Vecがすべての最先端の競争相手を、有効性、効率、堅牢性で大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-12-17T06:18:04Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• An Unsupervised Learning Method with Convolutional Auto-Encoder for Vessel Trajectory Similarity Computation [13.003061329076775]
  畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。 収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。 提案手法は従来の軌道類似性手法を効率と有効性で大きく上回っている。
  論文  参考訳（メタデータ） (2021-01-10T04:42:11Z)

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。