論文の概要: Robust Detection of Objects under Periodic Motion with Gaussian Process Filtering

• arxiv url: http://arxiv.org/abs/2009.14178v1
• Date: Tue, 29 Sep 2020 17:45:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 06:47:04.891222
• Title: Robust Detection of Objects under Periodic Motion with Gaussian Process Filtering
• Title（参考訳）: ガウス過程フィルタリングによる周期運動中の物体のロバスト検出
• Authors: Joris Guerin, Anne Magaly de Paula Canuto and Luiz Marcos Garcia Goncalves
• Abstract要約: 本稿では,ODモデルの性能向上に寄与する周期型ODの問題を定式化する。 提案手法は、ガウス過程を訓練して周期運動をモデル化し、ODモデルの誤予測をフィルタリングする。 様々なODモデルと周期軌道をシミュレートすることにより、このフィルタリング手法が完全にデータ駆動であり、大きなマージンによる検出性能の向上を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object Detection (OD) is an important task in Computer Vision with many practical applications. For some use cases, OD must be done on videos, where the object of interest has a periodic motion. In this paper, we formalize the problem of periodic OD, which consists in improving the performance of an OD model in the specific case where the object of interest is repeating similar spatio-temporal trajectories with respect to the video frames. The proposed approach is based on training a Gaussian Process to model the periodic motion, and use it to filter out the erroneous predictions of the OD model. By simulating various OD models and periodic trajectories, we demonstrate that this filtering approach, which is entirely data-driven, improves the detection performance by a large margin.
• Abstract（参考訳）: オブジェクト検出(OD)はコンピュータビジョンにおいて多くの実用的な応用において重要な課題である。 一部のユースケースでは、関心の対象が周期的な動きを持つビデオでODを行う必要がある。 本稿では,興味対象がビデオフレームに対して同様の時空間的軌跡を繰り返している特定の場合において,odモデルの性能を向上させることを目的とした周期odの問題を定式化する。 提案手法はガウス過程を訓練して周期運動をモデル化し, odモデルの誤予測をフィルタする手法である。 様々なODモデルと周期軌道をシミュレートすることにより、このフィルタリング手法が完全にデータ駆動であり、大きなマージンによる検出性能の向上を実証する。

関連論文リスト

• 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
  3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。 本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。 このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
  論文  参考訳（メタデータ） (2024-11-13T08:34:07Z)
• DINTR: Tracking via Diffusion-based Interpolation [12.130669304428565]
  本研究は,トラッキングタスクを定式化するための拡散に基づく新しい手法を提案する。 我々のInterpolation TrackeR(DINTR)は、将来性のある新しいパラダイムを示し、5つの指標表現にまたがる7つのベンチマークにおいて優れた乗法を実現する。
  論文  参考訳（メタデータ） (2024-10-14T00:41:58Z)
• Beyond Kalman Filters: Deep Learning-Based Filters for Improved Object Tracking [3.5693768338940304]
  本稿では,追跡検出システムのための2つの革新的なデータ駆動フィルタリング手法を提案する。 最初の方法は、トレーニング可能な運動モデルを持つベイズフィルタを用いて、物体の将来の位置を予測する。 第2の方法は、エンドツーエンドのトレーニング可能なフィルタで、検出エラーの修正を学習することでさらに前進する。
  論文  参考訳（メタデータ） (2024-02-15T10:47:44Z)
• Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
  本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。 提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。 パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-12-18T18:59:51Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Spatio-Temporal Point Process for Multiple Object Tracking [30.041104276095624]
  多重オブジェクト追跡(MOT)は、連続するフレーム間の検出対象の関係をモデル化し、それらを異なる軌道にマージすることに焦点を当てている。 本稿では,物体を軌道に関連付ける前に,ノイズを効果的に予測し,マスクアウトし,検出結果を混乱させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-05T18:14:08Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。