論文の概要: Efficient Dense Crowd Trajectory Prediction Via Dynamic Clustering

• arxiv url: http://arxiv.org/abs/2603.18166v1
• Date: Wed, 18 Mar 2026 18:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.791533
• Title: Efficient Dense Crowd Trajectory Prediction Via Dynamic Clustering
• Title（参考訳）: 動的クラスタリングによる高密度群衆軌道予測
• Authors: Antonius Bima Murti Wijaya, Paul Henderson, Marwa Mahmoud,
• Abstract要約: 群衆の軌道予測は公共の安全と管理において重要な役割を果たす。 最近の研究は、個々の軌跡を予測し、手動で注釈付けされたデータに基づいて周囲の物体を考察することによって、この問題に対処している。 類似属性に基づいて個人をグループ化するクラスタベースの新しいアプローチを,時間とともに提案し,広く評価する。
• 参考スコア（独自算出の注目度）: 4.663888628491985
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Crowd trajectory prediction plays a crucial role in public safety and management, where it can help prevent disasters such as stampedes. Recent works address the problem by predicting individual trajectories and considering surrounding objects based on manually annotated data. However, these approaches tend to overlook dense crowd scenarios, where the challenges of automation become more pronounced due to the massiveness, noisiness, and inaccuracy of the tracking outputs, resulting in high computational costs. To address these challenges, we propose and extensively evaluate a novel cluster-based approach that groups individuals based on similar attributes over time, enabling faster execution through accurate group summarisation. Our plug-and-play method can be combined with existing trajectory predictors by using our output centroid in place of their pedestrian input. We evaluate our proposed method on several challenging dense crowd scenes. We demonstrated that our approach leads to faster processing and lower memory usage when compared with state-of-the-art methods, while maintaining the accuracy
• Abstract（参考訳）: 群衆の軌道予測は公共の安全と管理において重要な役割を果たす。 最近の研究は、個々の軌跡を予測し、手動で注釈付けされたデータに基づいて周囲の物体を考察することによって、この問題に対処している。 しかし、これらの手法は密集した群衆のシナリオを見落としてしまう傾向があり、そこでは、トラッキング出力の巨大さ、ノイズ、不正確さにより、自動化の課題がより顕著になり、計算コストが高くなる。 これらの課題に対処するために、我々は、類似属性に基づいて個人をグループ化する新しいクラスタベースのアプローチを、時間とともに提案し、広範囲に評価し、正確なグループ要約による高速な実行を可能にした。 提案手法は,歩行者の入力に代えて出力セントロイドを用いて既存の軌道予測器と組み合わせることができる。 提案手法を,いくつかの難易度の高い群集シーンで評価した。 我々は,本手法が精度を維持しつつ,最先端手法と比較して高速な処理とメモリ使用量の削減につながることを実証した。

関連論文リスト

• Density Estimation and Crowd Counting [3.9573534520147806]
  提案手法は,拡散過程を利用して高品質な群集密度マップを生成するデノベーション確率モデルを統合する。 回帰分岐は正確な特徴抽出のためにモデルに組み込まれ、縮合機構は類似度スコアに基づいてこれらのマップを組み合わせて堅牢な最終結果を生成する。 Farneback光フローアルゴリズムを用いたイベント駆動サンプリング手法を導入し,観衆運動の著しいフレームを選択的に捕捉する。
  論文  参考訳（メタデータ） (2025-11-12T20:30:45Z)
• ProgRoCC: A Progressive Approach to Rough Crowd Counting [66.09510514180593]
  私たちはRough Crowd Countingというラベルを付け、取得が容易なトレーニングデータに基づいて精度を向上します。 本稿では,ProgRoCCと呼ばれるCLIPに基づく大群カウント問題に対するアプローチを提案する。 具体的には、粗大なアプローチによってオブジェクト数を決定するプログレッシブな推定学習戦略を導入する。
  論文  参考訳（メタデータ） (2025-04-18T01:57:42Z)
• ProTracker: Probabilistic Integration for Robust and Accurate Point Tracking [41.889032460337226]
  ProTrackerは、ビデオ内の任意の点を正確かつ堅牢に追跡する新しいフレームワークである。 この設計は、グローバルな意味情報と時間的に認識される低レベル特徴を効果的に組み合わせている。 実験により、ProTrackerは最適化ベースのアプローチで最先端のパフォーマンスを得ることができた。
  論文  参考訳（メタデータ） (2025-01-06T18:55:52Z)
• Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis [1.8963583458350768]
  本稿では,過去の軌跡データに基づいて,将来の歩行者状態を予測するためのトランスフォーマーベースのフレームワークを提案する。 階層的密度に基づくクラスタリングと組み合わされた変換器エンコーダを用いて、多様な行動パターンを自動的に識別する。 これらの行動クラスタは、歩行者の将来の動きを予測するために、エンドツーエンドのデータ駆動アプローチによって、データ駆動の到達可能性分析に使用できることを示す。
  論文  参考訳（メタデータ） (2024-08-09T07:24:30Z)
• Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
  クラスに依存しない動き予測法は点雲全体の動きを直接予測する。 既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
  論文  参考訳（メタデータ） (2024-03-20T02:58:45Z)
• Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
  本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。 密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。 提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-02-27T13:55:17Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)

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。