Investigation of the effects of AdaBelief optimization technique on deep learning-based pedestrian path prediction applications in terms of “Convergence”

Abstract

Son yıllarda, görüntü işleme teknikleri kullanılarak yayaların takip edebileceği rotanın tahmini, hızla dikkat çeken bir araştırma konusu haline gelmiştir. Rota tahmin uygulamalarında Derin Öğrenmenin kullanımı, mühendislik çalışmalarıyla yapılan geleneksel parametre belirleme işlemlerine ihtiyaç duymayan ve daha doğru tahminler yapabilen yeni uygulamaların geliştirilmesini sağlamıştır. Rota tahmini için sıklıkla veriye dayalı olan gözetimli derin öğrenme modelleri kullanılmaktadır. Ancak, bu modellerin eğitimi yüksek hesaplama maliyeti getirmektedir. Bu maliyetleri azaltmak ve doğrulukları arttırmak için iyi yakınsama ve genelleştirme özelliklerine sahip optimizasyon yöntemlerini seçmek önemlidir. Bu çalışma, ETH/UCY veri kümeleri kullanılarak derin öğrenme mimarisi temelinde geliştirilmiş rota tahmini algoritmalarının optimizasyon yöntemi açısından performansını incelemektedir. Özellikle, modelin eğitimi aşamasında yakınsama açısından AdaBelief optimizasyon tekniğinin avantajları ve dezavantajlarına odaklanılmaktadır. Çalışmanın sonuçları, AdaBelief yönteminin eğitim sürecine pozitif bir katkıda bulunduğunu ve rota tahmini algoritmalarının genel performansını arttırabileceğini göstermektedir.