歩行者の軌道予測は、自動運転やロボット工学などの幅広いAIアプリケーションに不可欠なコンポーネントです。既存の方法は通常、潜在的な分布の違い(たとえば、ショッピングモールと通り)を無視しながら、トレーニングとテストの動作が同じパターンに従うことを前提としています。この問題により、必然的にパフォーマンスが低下します。この問題に対処するために、統一されたフレームワークで軌道予測とドメインアラインメントを共同で実行する新しいTransferable Graph Neural Network(T-GNN)フレームワークを提案します。具体的には、ドメイン固有の知識が削減された構造運動の知識を探索するために、ドメイン不変のGNNが提案されます。さらに、注意ベースの適応知識学習モジュールは、知識伝達のためのきめ細かい個人レベルの特徴表現を探索するためにさらに提案されます。このようにして、異なる軌道ドメイ
クロスカメラ画像データの関連付けは、マルチカメラ歩行者検出、マルチカメラマルチターゲットトラッキング、3Dポーズ推定など、多くのマルチカメラコンピュータービジョンタスクに不可欠です。この関連付けタスクは、通常、2分割グラフマッチングとして表されます。問題があり、多くの場合、最小コストのフロー手法を適用することで解決されます。これは、大きなデータでは計算効率が悪い場合があります。さらに、カメラは通常、グローバルなソリューションを一度に見つけるのではなく、ペアで処理され、ローカルなソリューションを取得します。その他の重要な問題は、親和性測定の問題です。ユークリッド距離やコサイン距離など、学習不可能な事前定義された距離が広く使用されています。この論文は、ペアでカメラを処理するのではなく、グローバルソリューションに焦点を合わせたクロスカメラデータアソシエーションのための効率的なアプローチを提案しま
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く