ترجمه فارسی مقاله MART: شبکه‌های تبدیل‌کننده رابطه‌ای چندمقیاسی برای پیش‌بینی مسیر چندعاملی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی MART: MultiscAle Relational Transformer Networks for Multi-agent Trajectory Prediction
عنوان مقاله به فارسی MART: شبکه‌های تبدیل‌کننده رابطه‌ای چندمقیاسی برای پیش‌بینی مسیر چندعاملی
نویسندگان Seongju Lee, Junseok Lee, Yeonguk Yu, Taeri Kim, Kyoobin Lee
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 31 July, 2024; originally announced July 2024. , Comments: 19 pages, 12 figures, 7 tables, 8 pages of supplementary material. Paper accepted at ECCV 2024
توضیحات به فارسی ارسال 31 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 19 صفحه ، 12 شکل ، 7 جدول ، 8 صفحه از مواد تکمیلی.مقاله پذیرفته شده در ECCV 2024

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,080,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 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

Multi-agent trajectory prediction is crucial to autonomous driving and understanding the surrounding environment. Learning-based approaches for multi-agent trajectory prediction, such as primarily relying on graph neural networks, graph transformers, and hypergraph neural networks, have demonstrated outstanding performance on real-world datasets in recent years. However, the hypergraph transformer-based method for trajectory prediction is yet to be explored. Therefore, we present a MultiscAle Relational Transformer (MART) network for multi-agent trajectory prediction. MART is a hypergraph transformer architecture to consider individual and group behaviors in transformer machinery. The core module of MART is the encoder, which comprises a Pair-wise Relational Transformer (PRT) and a Hyper Relational Transformer (HRT). The encoder extends the capabilities of a relational transformer by introducing HRT, which integrates hyperedge features into the transformer mechanism, promoting attention weights to focus on group-wise relations. In addition, we propose an Adaptive Group Estimator (AGE) designed to infer complex group relations in real-world environments. Extensive experiments on three real-world datasets (NBA, SDD, and ETH-UCY) demonstrate that our method achieves state-of-the-art performance, enhancing ADE/FDE by 3.9%/11.8% on the NBA dataset. Code is available at https://github.com/gist-ailab/MART.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی مسیر چند عامل برای رانندگی خودمختار و درک محیط اطراف بسیار مهم است.رویکردهای مبتنی بر یادگیری برای پیش بینی مسیر چند عامل ، مانند تکیه بر شبکه های عصبی نمودار ، ترانسفورماتورهای نمودار و شبکه های عصبی Hypergraph ، عملکرد برجسته ای را در مجموعه داده های دنیای واقعی در سالهای اخیر نشان داده اند.با این حال ، روش مبتنی بر ترانسفورماتور Hypergraph برای پیش بینی مسیر هنوز مورد بررسی قرار نگرفته است.بنابراین ، ما یک شبکه ترانسفورماتور رابطه ای چند مقیاس (MAR) را برای پیش بینی مسیر چند عامل ارائه می دهیم.مارت یک معماری ترانسفورماتور Hypergraph برای در نظر گرفتن رفتارهای فردی و گروهی در ماشین آلات ترانسفورماتور است.ماژول اصلی مارت رمزگذار است که شامل یک ترانسفورماتور رابطه ای جفت (PRT) و یک ترانسفورماتور بیش از حد رابطه (HRT) است.رمزگذار با معرفی HRT ، قابلیت های ترانسفورماتور رابطه ای را گسترش می دهد ، که ویژگی های Hyperedge را در مکانیسم ترانسفورماتور ادغام می کند و وزن های توجه را برای تمرکز بر روابط گروهی ترویج می کند.علاوه بر این ، ما یک برآوردگر گروه تطبیقی ​​(AGE) پیشنهاد می کنیم که برای استنباط روابط گروهی پیچیده در محیط های دنیای واقعی طراحی شده است.آزمایش های گسترده در سه مجموعه داده در دنیای واقعی (NBA ، SDD و ETH-UCY) نشان می دهد که روش ما به عملکرد پیشرفته و پیشرفته می رسد و ADE/FDE را با 3.9 ٪/11.8 ٪ در مجموعه داده NBA افزایش می دهد.کد در https://github.com/gist-ailab/mart در دسترس است.

📚 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.