Fugu-MT 論文翻訳(概要): Occlusion-Aware Diffusion Model for Pedestrian Intention Prediction

論文の概要: Occlusion-Aware Diffusion Model for Pedestrian Intention Prediction

arxiv url: http://arxiv.org/abs/2511.00858v1
Date: Sun, 02 Nov 2025 08:49:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:26.968859
Title: Occlusion-Aware Diffusion Model for Pedestrian Intention Prediction
Title（参考訳）: 歩行者の意図予測のための閉塞型拡散モデル
Authors: Yu Liu, Zhijie Liu, Zedong Yang, You-Fu Li, He Kong,
Abstract要約: 我々は,隠蔽された動きパターンを再構成し,それらを利用して将来の意図予測を導出するOcclusion-Aware Diffusion Model (ODM)を提案する。提案手法は文献の既存手法よりも頑健な性能を実現する。
参考スコア（独自算出の注目度）: 15.94034117893814
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting pedestrian crossing intentions is crucial for the navigation of mobile robots and intelligent vehicles. Although recent deep learning-based models have shown significant success in forecasting intentions, few consider incomplete observation under occlusion scenarios. To tackle this challenge, we propose an Occlusion-Aware Diffusion Model (ODM) that reconstructs occluded motion patterns and leverages them to guide future intention prediction. During the denoising stage, we introduce an occlusion-aware diffusion transformer architecture to estimate noise features associated with occluded patterns, thereby enhancing the model's ability to capture contextual relationships in occluded semantic scenarios. Furthermore, an occlusion mask-guided reverse process is introduced to effectively utilize observation information, reducing the accumulation of prediction errors and enhancing the accuracy of reconstructed motion features. The performance of the proposed method under various occlusion scenarios is comprehensively evaluated and compared with existing methods on popular benchmarks, namely PIE and JAAD. Extensive experimental results demonstrate that the proposed method achieves more robust performance than existing methods in the literature.
Abstract（参考訳）: 歩行者横断の意図を予測することは、移動ロボットやインテリジェントな車両のナビゲーションに不可欠である。近年の深層学習モデルでは,意図の予測に顕著な成功がみられたが,排他的シナリオ下での不完全な観察を考慮できない例は少ない。この課題に対処するために、隠蔽された動きパターンを再構成し、それらを利用して将来の意図を予測するODM(Occlusion-Aware Diffusion Model)を提案する。この段階では,隠蔽パターンに関連する雑音の特徴を推定するオクルージョン対応拡散トランスフォーマーアーキテクチャを導入し,隠蔽されたセマンティックシナリオにおける文脈的関係を捉える能力を向上させる。さらに、観測情報を効果的に活用し、予測誤差の蓄積を低減し、再構成された動作特徴の精度を高めるために、オクルージョンマスク誘導逆処理を導入する。提案手法は, PIE や JAAD といった一般的なベンチマークにおける既存手法と比較して, 包括的に評価し, 評価を行った。実験結果から,本手法が既存手法よりも頑健な性能を実現することを示す。

関連論文リスト

Exploring Semantic-constrained Adversarial Example with Instruction Uncertainty Reduction [51.50282796099369]
本稿では,多次元命令の不確実性低減フレームワークを開発し,意味論的に制約された逆の例を生成する。言語誘導サンプリングプロセスの予測により、設計したResAdv-DDIMサンプルにより最適化プロセスが安定化される。セマンティック制約付き3次元逆数例の参照フリー生成を初めて実現した。
論文参考訳（メタデータ） (2025-10-27T04:02:52Z)
Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency [4.047219770183742]
時系列予測はエネルギー管理や金融市場といった重要な領域において重要な役割を担っている。本研究は, 履歴データを適切に切り詰めることによって予測精度を向上させるという, 直感に反する現象を明らかにする。本稿では,適応的マスキング・ロス(Adaptive Masking Loss)と表現整合性(Representation Consistency)を提案する。
論文参考訳（メタデータ） (2025-10-22T19:23:53Z)
SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文参考訳（メタデータ） (2025-10-22T16:11:22Z)
Intention-Aware Diffusion Model for Pedestrian Trajectory Prediction [15.151965172049271]
本稿では,短期と長期の両方の動作意図を組み込んだ拡散型歩行者軌道予測フレームワークを提案する。提案するフレームワークはETH, UCY, SDDのベンチマークで評価され, 最先端手法に対する競合性を実証した。
論文参考訳（メタデータ） (2025-08-10T02:36:33Z)
Consistent World Models via Foresight Diffusion [56.45012929930605]
我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
論文参考訳（メタデータ） (2025-05-22T10:01:59Z)
Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文参考訳（メタデータ） (2024-08-24T18:28:19Z)
Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models [11.308331231957588]
本研究は, 拡散モデルを用いた高速道路軌道予測のための新しいネットワークアーキテクチャである, 条件付き車両運動拡散(cVMD)モデルを紹介する。 cVMDのアーキテクチャの中心は、安全クリティカルなアプリケーションにおいて重要な機能である不確実な定量化を実行する能力である。実験により,提案アーキテクチャは最先端モデルと比較して,競合軌道予測精度が向上することが示された。
論文参考訳（メタデータ） (2024-05-23T10:01:39Z)
Intervention-Aware Forecasting: Breaking Historical Limits from a System Perspective [13.150057548030558]
我々は、外部介入を組み込むように設計されたインターベンション対応時系列予測(IATSF)フレームワークを提案する。合成シナリオと実世界のシナリオ間で時間同期されたテキスト介入データからなるリークフリーベンチマークを提案する。 FIATSは最先端の手法を超越しており、予測改善は外部介入をモデル化することによるものであることを示す。
論文参考訳（メタデータ） (2024-05-22T10:45:50Z)
DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。これは、事前訓練されたテキスト・ツー・イメージ拡散モデルに埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
論文参考訳（メタデータ） (2024-04-01T18:59:13Z)
CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文参考訳（メタデータ） (2023-05-29T07:49:44Z)
HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and Adaptive Sampling [27.194900145235007]
本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
論文参考訳（メタデータ） (2021-10-05T20:20:10Z)

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。