重访用于轨迹相似度学习的 CNNs
VeTraSS 是一个用于车辆轨迹相似性搜索的端到端流水线,通过将原始轨迹数据建模成多尺度图,并使用一种新颖的多层注意力机制的 GNN 生成全面的嵌入,从而可用于搜索相似的车辆轨迹,表现出优于现有工作并达到最新技术水平的效果,展示了 VeTraSS 在现实世界中用于轨迹分析和自动驾驶车辆安全导航的潜力。
Apr, 2024
本文提出了一种卷积神经网络(CNN)人类轨迹预测方法,相比于当前的方法更加快速但仍保持具有竞争力的结果,这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。
Sep, 2018
本文提出一种基于 2D CNN 的新网络 TrajectoryNet,用于预测轨迹空间中未来的姿势,重点在于对先前姿势序列的耦合时空特征、局部全局空间特征和全局时间共现特征的建模,实验结果表明所提出方法在 3 个基准测试上达到了最先进的效果。
Oct, 2019
本文提出了一种新的基于 2D 卷积模型的行人轨迹预测方法,采用了高效的数据表示和强大的数据增强技术,在 ETH 和 TrajNet 数据集上实现了最优结果。另外,对于以前用于建模社交信息的占据方法进行了实验性探究,并得出这些方法无法捕捉社交交互的经验结论。
Oct, 2020
本文提出了一种基于深度学习的 CNN-ED 管道,将编辑距离嵌入欧几里得距离以进行快速近似相似度搜索来优化字符串相似度搜索。实验结果表明,与数据无关的 CGK 嵌入和基于 RNN 的 GRU 嵌入相比,基于 CNN 的嵌入在准确性和效率方面都优于前者,有时效率提高了若干个数量级。
Jan, 2020
本研究提出了基于 CNN 的时空图形框架 GraphTCN,通过将空间交互作为社交图形进行建模,并使用修改的时间卷积网络来捕捉时空交互。实验结果证实,该模型在各种轨迹预测基准数据集上实现了更高的性能和更高的准确性。
Mar, 2020
本文介绍了一种使用分布式内核来表示轨迹和测量其相似度的简单而强大的方法,该方法解决了轨迹测量的两个主要不足之处,并在异常检测,子轨迹异常检测和轨迹模式挖掘等任务中表现出卓越的性能。
Jan, 2023
本文提出了一种基于 2D 卷积神经网络的序列推荐方法 CosRec,通过建模成对物品之间的关系,有效地表示了顺序特征并捕捉了复杂的物品相关性,实验结果表明,该方法在公共数据集上表现优异,达到了最先进的性能水平。
Aug, 2019
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018