論文の概要: CrowdTraj: A Benchmark for Dense Crowd Trajectory Prediction in Realistic Crowded Environments

• arxiv url: http://arxiv.org/abs/2609.07685v1
• Date: Mon, 07 Sep 2026 16:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 21:23:40.919528
• Title: CrowdTraj: A Benchmark for Dense Crowd Trajectory Prediction in Realistic Crowded Environments
• Title（参考訳）: CrowdTraj: 現実的なクラウド環境における群衆軌道予測のためのベンチマーク
• Abstract要約: 自然密集した群集シーンにおける歩行者軌道予測のベンチマークであるCrowdTrajを提示する。 CrowdTrajは、トラッキングによる検出から軌道予測まで、エンドツーエンドの評価をサポートする。 既存のベンチマークではめったに見られず、急激な方向転換を含む、多様な自然な歩行者の振る舞いを捉えている。
• 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: In real-world applications, pedestrian trajectory prediction models rely on inputs from detection and tracking systems. Prior trajectory prediction benchmarks either contain relatively sparse pedestrian interactions, assume perfect tracking inputs, or rely on overhead viewpoints that minimize occlusion and perspective distortion, limiting evaluation in realistic dense-crowd scenarios. We present CrowdTraj, a benchmark for pedestrian trajectory prediction in natural dense crowd scenes. Unlike previous datasets, CrowdTraj supports end-to-end evaluation from detection through tracking to trajectory prediction under severe occlusion in CCTV views. It also captures diverse, natural pedestrian behaviours, including abrupt directional changes rarely observed in existing benchmarks. CrowdTraj includes five diverse scenes, with an average of 1,146 unique pedestrians per scene, maximum frame-level densities ranging from 114 to 372 pedestrians, and over 3.2 million annotated head bounding boxes. CrowdTraj provides pixel and real-world coordinates via per-scene homography matrices for physically meaningful analysis. Our experimental results show that tracking accuracy (IDF1) drops to 0.68 to 0.70 in the densest scenes, compared with approximately 0.90 in less crowded scenes. Trajectory prediction training also becomes substantially more computationally expensive in dense scenes, with training times increasing by up to 8 times. These findings show that CrowdTraj exposes limitations in current trajectory prediction pipelines that remain hidden on existing sparse-crowd benchmarks, particularly in robustness to tracking noise and computational scalability.
• Abstract（参考訳）: 現実世界の応用では、歩行者軌道予測モデルは検知と追跡システムからの入力に依存している。 従来の軌道予測ベンチマークは、比較的スパースな歩行者の相互作用を含むか、完全な追跡入力を仮定するか、あるいは閉塞や視点歪みを最小限に抑えるオーバーヘッド視点に依存し、現実的な密集したシナリオでの評価を制限するかのいずれかである。 自然密集した群集シーンにおける歩行者軌道予測のベンチマークであるCrowdTrajを提示する。 以前のデータセットとは異なり、CrowdTrajはCCTVビューで厳しい排除の下で、トラッキングによる検出から軌道予測まで、エンドツーエンドの評価をサポートする。 また、既存のベンチマークではめったに見られない急激な方向変化を含む、多様な自然な歩行者行動も捉えている。 CrowdTrajには5つの多様なシーンがあり、平均で1,146人の歩行者、114人から372人の歩行者の最大フレームレベルの密度、および3200万以上の注釈付きヘッドバウンディングボックスがある。 CrowdTrajは、物理的に意味のある分析のために、シーンごとのホモグラフィ行列を介してピクセルと現実世界の座標を提供する。 実験の結果,最も密集したシーンでは追跡精度(IDF1)が0.68から0.70に低下し,混雑しないシーンでは約0.90に低下した。 トラジェクティブ予測トレーニングは、密集したシーンでは計算コストが大幅に高くなり、トレーニング時間は最大8倍に向上する。 これらの結果から、CrowdTrajは既存のスパースcrowdベンチマークに隠されている現在のトラジェクトリ予測パイプラインの制限、特にノイズや計算スケーラビリティの追跡に対する堅牢性を明らかにしている。

関連論文リスト

• Video Individual Counting and Tracking from Moving Drones: A Benchmark and Methods [51.91154554622608]
  moveDroneCrowd++は、移動中のドローンが捉えた、密集した群衆のカウントと追跡のための、最大のビデオレベルのデータセットである。 また,GD3Aを提案する。GD3Aは,特定位置化を回避する密度マップに基づくビデオ個人カウント手法である。 実験結果から,本手法は群集や複雑な運動下での既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2026-01-18T17:17:31Z)
• SceneAware: Scene-Constrained Pedestrian Trajectory Prediction with LLM-Guided Walkability [3.130722489512822]
  SceneAwareは、軌跡予測精度を高めるためにシーン理解を明示的に組み込んだ新しいフレームワークである。 我々はTransformerベースのトラジェクトリエンコーダとViTベースのシーンエンコーダを組み合わせることで、時間的ダイナミクスと空間的制約の両方をキャプチャする。 本分析は, 各種歩行者運動において, モデルが一貫して良好に動作していることを示す。
  論文  参考訳（メタデータ） (2025-06-17T03:11:31Z)
• 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 Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
  TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。 本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。 本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
  論文  参考訳（メタデータ） (2024-10-31T19:42:42Z)
• Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
  シーン固有の適応軌道予測の問題を定式化する。 本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。 0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
  論文  参考訳（メタデータ） (2023-12-11T18:59:12Z)
• Vehicle Trajectory Prediction on Highways Using Bird Eye View Representations and Deep Learning [0.5420492913071214]
  本研究では,効率的な鳥の視線表示と畳み込みニューラルネットワークを用いた高速道路シナリオにおける車両軌跡の予測手法を提案する。 U-netモデルは予測カーネルとして選択され、画像から画像への回帰アプローチを用いてシーンの将来の視覚表現を生成する。 生成したグラフィカル表現から車の位置を抽出してサブピクセル解像度を実現する手法が実装されている。
  論文  参考訳（メタデータ） (2022-07-04T13:39:46Z)
• STCrowd: A Multimodal Dataset for Pedestrian Perception in Crowded Scenes [78.95447086305381]
  3D空間における歩行者の正確な検出と追跡は、回転、ポーズ、スケールの大きなバリエーションのために困難である。 既存のベンチマークは2Dアノテーションのみを提供するか、あるいは低密度の歩行者分布を持つ限定的な3Dアノテーションを持つ。 混み合ったシナリオにおける歩行者認識アルゴリズムをよりよく評価するために,大規模なマルチモーダルデータセットSTCrowdを導入する。
  論文  参考訳（メタデータ） (2022-04-03T08:26:07Z)
• Towards Robust Human Trajectory Prediction in Raw Videos [8.301214274565819]
  生ビデオにおける人間の軌道予測の問題について検討する。 予測精度は,種々のトラッキングエラーの影響を受けやすいことを示す。 本稿では,予測整合性を時間とともに強制することにより,トラッキング障害を修正するための簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-08-18T17:27:26Z)
• 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)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。