文献

J-GLOBAL ID：202202254408662946   整理番号：22A1174298

マルチモーダルセマンティック軌道予測のための複素依存性の探索【JST・京大機械翻訳】

Exploring Complex Dependencies for Multi-modal Semantic Trajectory Prediction

著者 (11件)： Liu Jie (Engineering Research Center of Mine Digitalization (Ministry of Education), China University of Mining and Technology, Xuzhou, China) ,  Liu Jie (School of Computer Science, China University of Mining and Technology, Xuzhou, China) ,  Zhang Lei (Engineering Research Center of Mine Digitalization (Ministry of Education), China University of Mining and Technology, Xuzhou, China) ,  Zhang Lei (School of Computer Science, China University of Mining and Technology, Xuzhou, China) ,  Zhu Shaojie (Engineering Research Center of Mine Digitalization (Ministry of Education), China University of Mining and Technology, Xuzhou, China) ,  Zhu Shaojie (School of Computer Science, China University of Mining and Technology, Xuzhou, China) ,  Liu Bailong (Engineering Research Center of Mine Digitalization (Ministry of Education), China University of Mining and Technology, Xuzhou, China) ,  Liu Bailong (School of Computer Science, China University of Mining and Technology, Xuzhou, China) ,  Liang Zhizheng (Engineering Research Center of Mine Digitalization (Ministry of Education), China University of Mining and Technology, Xuzhou, China) ,  Liang Zhizheng (School of Computer Science, China University of Mining and Technology, Xuzhou, China) ,  Yang Susong (Operating Branch, Ningbo Rail Transit Group Co., LTD, Ningbo, China)
資料名： Neural Processing Letters  (Neural Processing Letters)
巻： 54  号： 2  ページ： 961-985  発行年： 2022年 
JST資料番号： W0953A  ISSN： 1370-4621  CODEN： NPLEFG  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： マルチモーダル意味軌跡予測は,位置ベースアプリケーションにとって非常に重要である。しかし,軌道の予測は3つの課題に直面しない。(1)効果的な特徴融合のための異なる粒度におけるマルチモーダルおよび不均一データから有用な情報を統合することは難しい。(2)マルチモーダル意味軌跡に存在するすべての種類の依存性を,密接に結合して,動的に進化させ,定量化するのが難しい複雑な依存性を形成した。(3)モデル訓練の間,各モード特徴の分布は,異なる方向でシフトし,従属性の歪みをもたらし,それは遅い収束と不正確な予測を伴った。本論文では,これらの問題を解決するために,複素依存性自己学習予測モデル(CDAPM)を提案した。最初に,マルチモーダル情報を共同で埋め込むことによって,各ポイントの効果的でロバストな表現を得た。次に,依存性重み行列を計算し,各点の寄与を自己学習するために,依存性注意モジュールを提案した。また,それは長期依存性の問題を効果的に解決する。位置符号化とLSTMを用いて,軌道の時間関係を強化した。最後に,モード正規化を,依存性の歪みを防ぎ,収束速度を著しく加速することによって,予測精度を維持するために設計した。2つの実データセットに関する実験は,CDAPMが最先端の方法より優れていることを示した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  情報 ,  予測 ,  特性 ,  モデル ,  *軌道推定 ,  *多モード ,  正規化 ,  ロバスト性 ,  データ融合 ,  予測モデル
準シソーラス用語： 自己学習 ,  収束速度 ,  予測精度 ,  長期依存性 ,  特徴融合 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (4件)： マルチモーダル ,  意味軌跡 ,  複雑な依存性 ,  モード正規化

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： 軌道予測 ,  依存性 ,  探索