ترجمه فارسی مقاله DBHP: تعیین مسیر در ورزش های چند عاملی با استفاده از پیش بینی ترکیبی مبتنی بر مشتق

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی DBHP: Trajectory Imputation in Multi-Agent Sports Using Derivative-Based Hybrid Prediction
عنوان مقاله به فارسی DBHP: تعیین مسیر در ورزش های چند عاملی با استفاده از پیش بینی ترکیبی مبتنی بر مشتق
نویسندگان Hanjun Choi, Hyunsung Kim, Minho Lee, Chang-Jo Kim, Jinsung Yoon, Sang-Ki Ko
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,Machine Learning,Multiagent Systems,هوش مصنوعی , یادگیری ماشین , سیستم های چند منظوره ,
توضیحات Submitted 22 August, 2024; v1 submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛V1 ارسال شده در 20 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Many spatiotemporal domains handle multi-agent trajectory data, but in real-world scenarios, collected trajectory data are often partially missing due to various reasons. While existing approaches demonstrate good performance in trajectory imputation, they face challenges in capturing the complex dynamics and interactions between agents due to a lack of physical constraints that govern realistic trajectories, leading to suboptimal results. To address this issue, the paper proposes a Derivative-Based Hybrid Prediction (DBHP) framework that can effectively impute multiple agents' missing trajectories. First, a neural network equipped with Set Transformers produces a naive prediction of missing trajectories while satisfying the permutation-equivariance in terms of the order of input agents. Then, the framework makes alternative predictions leveraging velocity and acceleration information and combines all the predictions with properly determined weights to provide final imputed trajectories. In this way, our proposed framework not only accurately predicts position, velocity, and acceleration values but also enforces the physical relationship between them, eventually improving both the accuracy and naturalness of the predicted trajectories. Accordingly, the experiment results about imputing player trajectories in team sports show that our framework significantly outperforms existing imputation baselines.

چکیده به فارسی (ترجمه ماشینی)

بسیاری از حوزه های مکانی مکانی داده های مسیر چند عامل را اداره می کنند ، اما در سناریوهای دنیای واقعی ، داده های جمع آوری شده اغلب به دلایل مختلف تا حدی مفقود می شوند.در حالی که رویکردهای موجود عملکرد خوبی را در نقص مسیر نشان می دهد ، آنها در ضبط پویایی پیچیده و تعامل بین عوامل به دلیل عدم وجود محدودیت های جسمی که حاکم بر مسیرهای واقع گرایانه هستند ، با چالش هایی روبرو هستند.برای پرداختن به این موضوع ، مقاله یک چارچوب پیش بینی هیبریدی مبتنی بر مشتق (DBHP) را ارائه می دهد که می تواند مسیرهای گمشده چندین عامل را به طور مؤثر تحمیل کند.اول ، یک شبکه عصبی مجهز به ترانسفورماتورهای مجموعه پیش بینی ساده لوحانه از مسیرهای گمشده را ایجاد می کند و ضمن برآورده کردن مجاز بودن مجازات از نظر ترتیب عوامل ورودی.سپس ، این چارچوب پیش بینی های جایگزین باعث افزایش سرعت و اطلاعات شتاب می شود و تمام پیش بینی ها را با وزنهای مناسب تعیین شده برای ارائه مسیرهای انتهایی نهایی ترکیب می کند.به این ترتیب ، چارچوب پیشنهادی ما نه تنها به طور دقیق موقعیت ، سرعت و مقادیر شتاب را پیش بینی می کند بلکه روابط جسمی بین آنها را نیز تقویت می کند و در نهایت هم دقت و هم طبیعی بودن مسیرهای پیش بینی شده را بهبود می بخشد.بر این اساس ، این آزمایش در مورد تحمیل مسیرهای بازیکن در ورزش تیمی نشان می دهد که چارچوب ما به طور قابل توجهی از خطوط پایه های موجود بهتر عمل می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.