論文の概要: Extended Target Tracking and Classification Using Neural Networks
- arxiv url: http://arxiv.org/abs/2002.05462v1
- Date: Thu, 13 Feb 2020 12:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 13:49:20.649006
- Title: Extended Target Tracking and Classification Using Neural Networks
- Title（参考訳）: ニューラルネットワークを用いた拡張ターゲット追跡と分類
- Authors: Bark{\i}n Tuncer, Murat Kumru, Emre \"Ozkan
- Abstract要約: 最先端のETTアルゴリズムは、オブジェクトの動的挙動を追跡し、それらの形状を同時に学習することができる。
本研究では,1つの入力層,2つの隠れ層,および1つの出力層から構成されるナリーディープニューラルネットワークを用いて,それらの形状推定に関する動的オブジェクトを分類する。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extended target/object tracking (ETT) problem involves tracking objects which
potentially generate multiple measurements at a single sensor scan.
State-of-the-art ETT algorithms can efficiently exploit the available
information in these measurements such that they can track the dynamic
behaviour of objects and learn their shapes simultaneously. Once the shape
estimate of an object is formed, it can naturally be utilized by high-level
tasks such as classification of the object type. In this work, we propose to
use a naively deep neural network, which consists of one input, two hidden and
one output layers, to classify dynamic objects regarding their shape estimates.
The proposed method shows superior performance in comparison to a Bayesian
classifier for simulation experiments.
- Abstract（参考訳）: 拡張ターゲット/オブジェクト追跡(ETT)問題は、単一のセンサースキャンで複数の測定値を生成するオブジェクトを追跡することである。
最先端のETTアルゴリズムは、これらの測定で利用可能な情報を利用して、オブジェクトの動的挙動を追跡し、その形状を同時に学習することができる。
オブジェクトの形状推定が作成されれば、オブジェクトタイプの分類のような高レベルなタスクによって自然に利用することができる。
本研究では,1つの入力層と2つの隠れ層と1つの出力層から構成されるナリーディープニューラルネットワークを用いて,その形状推定について動的オブジェクトを分類する。
提案手法はシミュレーション実験におけるベイズ分類器と比較して優れた性能を示す。
関連論文リスト
- SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。
様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - High Pileup Particle Tracking with Object Condensation [7.962871190916326]
近年の研究では、荷電粒子追跡のための従来のアルゴリズムの性能とグラフニューラルネットワーク(GNN)が一致できることが示されている。
我々は、任意の数のオブジェクト(トラック)に属するポイント(hits)をクラスタリングし、各オブジェクトのプロパティを回帰するように設計された多目的学習フレームワークである、オブジェクト凝縮(OC)に基づく代替案を検討する。
論文 参考訳（メタデータ） (2023-12-06T19:00:00Z) - UnsMOT: Unified Framework for Unsupervised Multi-Object Tracking with
Geometric Topology Guidance [6.577227592760559]
UnsMOTは、オブジェクトの外観と運動の特徴と幾何学的情報を組み合わせて、より正確なトラッキングを提供する新しいフレームワークである。
実験結果から, HOTA, IDF1, MOTAの計測値において, 最先端手法と比較して顕著な性能を示した。
論文 参考訳（メタデータ） (2023-09-03T04:58:12Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Correlation-Aware Deep Tracking [83.51092789908677]
本稿では,自己/横断的意図に着想を得た,新たなターゲット依存型特徴ネットワークを提案する。
我々のネットワークは機能ネットワークの複数の層にクロスイメージの特徴相関を深く埋め込んでいる。
我々のモデルは、豊富な未ペア画像に対して柔軟に事前訓練が可能であり、既存の手法よりも顕著に高速な収束をもたらす。
論文 参考訳（メタデータ） (2022-03-03T11:53:54Z) - Object Localization Through a Single Multiple-Model Convolutional Neural
Network with a Specific Training Approach [0.0]
光畳み込みニューラルネットワーク(cnn)に対して,画像に対する関心領域を決定するための特別訓練手法を提案する。
ほぼ全てのCNNベースの検出器は、固定された入力サイズ画像を使用し、様々なオブジェクトサイズを扱う場合、性能が低下する可能性がある。
論文 参考訳（メタデータ） (2021-03-24T16:52:01Z) - Novel Perception Algorithmic Framework For Object Identification and
Tracking In Autonomous Navigation [1.370633147306388]
本稿では,自律走行車における物体の認識・追跡機能を備えた新しい認識フレームワークを提案する。
このフレームワークは、Ego-vehicleのポーズ推定とKD-Treeベースのゴールセグメンテーションアルゴリズムを利用する。
方法論の有効性は、KITTIデータセット上で検証される。
論文 参考訳（メタデータ） (2020-06-08T18:21:40Z) - Dynamic Refinement Network for Oriented and Densely Packed Object
Detection [75.29088991850958]
本稿では,機能選択モジュール (FSM) と動的改善ヘッド (DRH) の2つの新しいコンポーネントからなる動的精細化ネットワークを提案する。
我々のFSMは、ニューロンがターゲットオブジェクトの形状や向きに応じて受容野を調整できるのに対して、DRHはオブジェクト認識の方法で動的に予測を洗練させる。
我々は、DOTA、HRSC2016、SKU110K、および我々のSKU110K-Rデータセットを含むいくつかの公開ベンチマークで定量的評価を行う。
論文 参考訳（メタデータ） (2020-05-20T11:35:50Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。