Context-free Self-Conditioned GAN for Trajectory Forecasting

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Martínez Eduardo) > Context-free Self-C...

LIBRIS Formathandbok (Information om MARC21)

Fältnamn	Indikatorer	Metadata
000		02537naa a2200301 4500
001		oai:DiVA.org:oru-106182
003		SwePub
008		230607s2022 \| \|\|\|\|\|\|\|\|\|\|\|000 \|\|eng\|
024	7	a https://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-1061822 URI
024	7	a https://doi.org/10.1109/ICMLA55696.2022.001962 DOI
040		a (SwePub)oru
041		a engb eng
042		9 SwePub
072	7	a ref2 swepub-contenttype
072	7	a kon2 swepub-publicationtype
100	1	a Almeida, Tiago Rodrigues de,d 1996-u Örebro universitet,Institutionen för naturvetenskap och teknik,Centre for Applied Autonomous Sensor Systems (AASS)4 aut0 (Swepub:oru)taa
245	1 0	a Context-free Self-Conditioned GAN for Trajectory Forecasting
264	1	b IEEE,c 2022
338		a print2 rdacarrier
520		a In this paper, we present a context-free unsupervised approach based on a self-conditioned GAN to learn different modes from 2D trajectories. Our intuition is that each mode indicates a different behavioral moving pattern in the discriminator's feature space. We apply this approach to the problem of trajectory forecasting. We present three different training settings based on self-conditioned GAN, which produce better forecasters. We test our method in two data sets: human motion and road agents. Experimental results show that our approach outperforms previous context-free methods in the least representative supervised labels while performing well in the remaining labels. In addition, our approach outperforms globally in human motion, while performing well in road agents.
650	7	a NATURVETENSKAPx Data- och informationsvetenskapx Datavetenskap0 (SwePub)102012 hsv//swe
650	7	a NATURAL SCIENCESx Computer and Information Sciencesx Computer Sciences0 (SwePub)102012 hsv//eng
700	1	a Gutiérrez Maestro, Eduardo,d 1994-u Örebro universitet,Institutionen för naturvetenskap och teknik,Centre for Applied Autonomous Sensor Systems (AASS)4 aut0 (Swepub:oru)ego
700	1	a Martinez Mozos, Oscar,d 1974-u Örebro universitet,Institutionen för naturvetenskap och teknik,Centre for Applied Autonomous Sensor Systems (AASS)4 aut0 (Swepub:oru)oms
710	2	a Örebro universitetb Institutionen för naturvetenskap och teknik4 org
773	0	t 21st IEEE International Conference on Machine Learning and Applications. ICMLA 2022d : IEEEg , s. 1218-1223q <1218-1223z 9781665462839
856	4 8	u https://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-106182
856	4 8	u https://doi.org/10.1109/ICMLA55696.2022.00196

Hitta via bibliotek

21st IEEE International Conference on Machine Learning and Applications. ICMLA 2... (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...: Almeida, Tiago R ...; Gutiérrez Maestr ...; Martinez Mozos, ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datavetenskap

Artiklar i publikationen: 21st IEEE Intern ...

Av lärosätet: Örebro universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se