Obstacle-Transformer: A Trajectory Prediction Network Based on Surrounding Trajectories
원문 초록
Recurrent Neural Network, Long Short-Term Memory, and Transformer have made great progress in predicting the trajectories of moving objects. Although the trajectory element with the surrounding scene features has been merged to improve performance, there still exist some problems to be solved. One is that the time series processing models will increase the inference time with the increase of the number of prediction sequences. Another lies in which the features can not be extracted from the scene's image and point cloud in some situations. Therefore, this paper proposes an Obstacle-Transformer to predict trajectory in a constant inference time. An ``obstacle'' is designed by the surrounding trajectory rather than images or point clouds, making Obstacle-Transformer more applicable in a wider range of scenarios. Experiments are conducted on ETH and UCY data sets to verify the performance of our model.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
INTENT: 교차로 시나리오에서 차량 의도 예측을 위한 LSTM 프레임워크 및 포괄적 절제 분석
INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis
차량 의도 예측은 모든 주행 시나리오에서 자율주행 차량의 민첩성과 안전성에 있어 핵심적인 요소이다. 자율주행 차량의 실질적인 향상을 위해서는 교차로, 회전교차로, 급정거와 같은 긴급 상황처럼 높은 수준의 인간 상호작용과 복잡한 주행 행동이 요구되는 상황에서 인간이 운전자의 의도를 해석하는 방식을 차량이 채택하도록 해야 한다. 이러한 상황에서 차량 의도 예측은 매 순간의 행동이 영향을 미치는 실시간 상황 내에서 적절한 회피 행동을 취하는 데 도움을 주어 재앙을 예방할 수 있다. 최악의 경우에도 피해를 최소화하고 안전을 최우선으로 할 수 있다. 또한 의도 예측은 궤적 예측(의도 조건부 궤적 예측)을 향상시키는 데에도 활용될 수 있다. 본 연구에서는 LSTM 모델을 활용한 INTENT 프레임워크를 제안하며, 교차로에서 사건 발생 2초 전에 차량이 직진, 좌회전, 우회전 중 어떤 행동을 할지 차량 의도를 예측한다. 다양한 모델 실험과 절제 연구(ablation study)를 InD 데이터셋에서 철저히 검증하여 99.71%의 정확도를 달성하였다.
VISTA-DZ: 개인화된 딜레마 존 예측을 위한 시각적 의미론적 궤적 적응
VISTA-DZ: Visual Semantic Trajectory Adaptation for Personalized Dilemma Zone Prediction
신호 교차로의 딜레마 존(dilemma zone)에서 운전자 의사결정은 안전에 매우 중요한데, 황색 신호에 접근하는 차량은 제한된 시간과 거리 여유 내에서 정지 또는 통과 여부를 결정해야 하기 때문이다. 정지-통과 결정과 결정 시점 모두의 정확한 예측은 적응형 신호 제어, 첨단 운전자 보조 시스템, 인간 중심 지능형 교통 응용에 있어 중요하다. 그러나 딜레마 존 행동은 운전자 의존성이 강하다. 유사한 접근 궤적도 위험 선호도, 제동 습관, 결정 임계값의 차이로 인해 운전자마다 다른 결정으로 이어질 수 있다. 기존 개인화 모델은 주로 수작업으로 설계된 스칼라 기술자에 의존하며, 이는 개인 행동에 대해 유용하지만 제한적인 요약만을 제공한다. 본 논문은 개인화된 정지-통과 및 결정 시점 예측을 위한 의미론적 프로파일 조건부 프레임워크인 VISTA-DZ를 제안한다. 과거 궤적은 시각적 표현으로 변환되어 비전-언어 모델(vision-language model)에 의해 해석되어 행동 프로파일을 생성하고, 이중 출력 예측 네트워크를 조건화하기 위해 의미론적 임베딩으로 인코딩된다. 최종 모델은 시간적 증거 선택 및 특징(feature) 적응을 위해 양방향 GRU 인코더, 운전자 조건부 멀티헤드 크로스-어텐션(multi-head cross-attention), Feature-wise Linear Modulation을 결합한다. SDZ 데이터셋과 새로 수집된 FDZ 데이터셋에서의 실험 결과, VISTA-DZ는 궤적만 사용하는 방법 및 수작업 개인화 기준선을 능가하며, 도메인 내 시뮬레이션 정확도 93.26%와 20명의 홀드아웃 시뮬레이션 운전자에 대한 평균 정확도 90.22%를 달성하였다. 크로스 도메인 결과는 실현 가능한 제로샷(zero-shot) 시뮬레이션-실세계 전이와 시뮬레이션 데이터를 제한된 현장 데이터와 결합할 때 더 나은 실세계 일반화를 추가적으로 보여준다.
A Better Alternative to Piecewise Linear Time Series Segmentation
ECGGuard: 오류 정정 부호를 활용한 심전도 신호의 딥러닝 워터마킹
ECGGuard: Deep Watermarking of Electrocardiogram Signals With Error-Correcting Codes
웨어러블 심전도(ECG) 기록은 자동 판독에 이르기 전에 여러 네트워크와 시스템을 거치므로 환자 메타데이터가 유실되기 쉽다. 디지털 워터마킹은 이 메타데이터를 신호에 삽입할 수 있으나, 기존 방법은 시간 이동에 취약하며 파형 유사도가 높다고 해서 하류 진단이 동일하게 유지되는 것은 아니다. 본 논문은 단일 리드 ECG를 위한 딥러닝 워터마킹 프레임워크인 \rev{ECGGuard}를 제안한다. 완전 합성곱 생성기는 신호 양자화 없이 페이로드를 삽입하고, 검출기는 프레임 단위로 메시지를 복호화하며 워터마크의 존재 여부를 확인한다. 학습 중에는 고정된 부정맥 분류기가 자신의 예측을 바꾸는 변화를 억제하도록 페널티를 부과한다. 높은 비트 정확도가 전체 메시지의 복원을 보장하지 않으므로, 페이로드는 확장 해밍 부호, \rev{검증 데이터로 선택한 채널 순서}, 그리고 소프트 결정 복호화로 보호된다. MIT-BIH 부정맥 데이터베이스에서 \rev{세 번의 학습 실행을 평균했을 때 ECGGuard}는 10~50 샘플의 시간 이동에서도 비트 정확도를 \rev{98\%} 이상으로 유지하는 반면, 변환 영역 기반 기준 방법은 무작위 수준으로 떨어진다. 부호화된 16비트 페이로드는 깨끗한 구간의 \rev{99.95\%}에서 정확히 복원되며\rev{, 시간 이동, 10\% 샘플 삭제 또는 10\% 패킷 손실 조건에서도 96\% 이상}, \rev{처음 보는 피험자에 대해서는 99.1\%}에서 복원된다. \rev{가이드 역할을 하는 분류기에 대해, 진단 손실은 테스트 기록에서 심실 박동 민감도의 하락을 1.6 퍼센트포인트로 제한하고(이를 사용하지 않으면 35.0), 처음 보는 피험자에서는 12.2 포인트로 제한한다(사용하지 않으면 67.0). 독립적으로 학습된 분류기에서는 하락이 10.3 포인트로 커지며, 이 보호 효과는 외부 데이터베이스로는 전이되지 않는다.} \rev{ECGGuard}는 0.56백만 개의 파라미터를 가지며 데스크톱 CPU에서 구간당 약 \rev{19}~ms가 소요된다.
PulseGuard: 토킹페이스 딥페이크 탐지를 위한 포렌식 모달리티로서의 rPPG 기반 시간 신호
PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection
토킹페이스(TF) 딥페이크 생성은 정지된 원본 이미지와 음성 신호로부터 사실적인 얼굴 영상을 합성하며, 현재의 이미지 기반 탐지기가 일관되게 식별하지 못하는 위조물을 만들어 낸다. 얼굴 교체 조작과 달리 TF 합성에는 생리적 특성을 물려받을 기반 실제 영상이 없으므로, 이 위조 범주의 탐지 모달리티로 원격 광혈류측정(rPPG)이 동기화된다. 우리는 RhythmFormer로 윈도우별 rPPG 파형을 추출하고 경량 분류기 모음을 학습시켜 실제 신호와 합성 신호를 구분하는 탐지 프레임워크 PulseGuard를 제안한다. 테스트 신원이 학습 신원과 완전히 분리된 엄격한 피험자 독립 프로토콜로 Celeb-DF++의 TF 부분집합에서 평가한 결과, 우리의 1D ResNet은 추출된 시간 신호만으로 동작하면서 EER 25.1%에서 윈도우 수준 AUC 0.826(DeepFakesON-Phys가 평가되는 단위인 영상 수준으로 풀링 시 0.842)을 달성하며, 학습에서 완전히 제외된 생성기에 대해서도 AUC 0.754를 유지한다. 우리는 대표적인 기존 rPPG 탐지기인 DeepFakesON-Phys의 통제된 재현 연구를 제시하여, 기존 얼굴 교체 데이터에서의 AUC 0.999가 Celeb-DF++의 TF 부분집합에서는 0.576으로 저하됨을 보인다. 또한 탐지 난이도가 방법에 크게 의존함을 보이는데, 일곱 개의 TF 생성기에 걸쳐 AUC는 0.937(Real3DPortrait)에서 0.617(IP-LAP)까지 분포하며, 이 순서는 방법별 학습에서도 대체로 유지된다. 이 편차는 평가 잡음이 아니라 학습 방식 전반에 걸쳐 안정적이며, 본 연구의 주된 실증적 기여이다. 우리는 이를 실증적 기준선으로 보고하며, 판별 근거가 심장 기원임을 입증하지는 않는다.
SupplyNetPy: 임의 공급망 및 재고 네트워크의 고충실도 모델링과 시뮬레이션을 위한 오픈소스 Python 라이브러리
SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks
본 논문은 임의의 다단계 구조를 갖는 공급망 네트워크의 모델링 및 이산 사건 시뮬레이션을 위한 오픈소스 Python 라이브러리인 SupplyNetPy를 소개한다. 이 라이브러리는 다양한 보충 정책, 부패 가능 재고, 노드(node) 장애, 확률적 수요 및 리드 타임을 지원한다. 모든 컴포넌트는 상속을 통해 확장 가능하다. 사용자는 노드와 링크 속성을 가진 그래프로 공급망을 기술하며, 라이브러리는 시뮬레이션을 처리하고 로그 및 노드·네트워크 수준의 상세 성능 보고서를 제공한다. 본 논문은 SupplyNetPy의 개발 동기, 설계, 주요 기능, 아키텍처와 함께 상세한 검증(validation) 결과(분석적 벤치마크, 상용 도구, 발표된 사례 연구와의 비교)를 제시한다. SupplyNetPy 개발의 핵심 동기는 복잡한 모델의 프로그래밍 방식 생성 및 시뮬레이션으로, 설계 공간 탐험(exploration), 가상 시나리오 분석, 학습(training) 데이터 생성, 공급망 디지털 트윈을 가능하게 하는 데 있다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.