Fugu-MT 論文翻訳(概要): Multitarget Tracking with Transformers

論文の概要: Multitarget Tracking with Transformers

arxiv url: http://arxiv.org/abs/2104.00734v1
Date: Thu, 1 Apr 2021 19:14:55 GMT
ステータス: 処理完了
システム内更新日: 2021-04-05 13:40:56.732323
Title: Multitarget Tracking with Transformers
Title（参考訳）: 変圧器を用いたマルチターゲットトラッキング
Authors: Juliano Pinto, Georg Hess, William Ljungbergh, Yuxuan Xia, Lennart Svensson, Henk Wymeersch
Abstract要約: マルチターゲットトラッキング(MTT)は、ノイズの多い測定を使用して未知のオブジェクトの数の状態を追跡する問題です。本稿では,Transformer アーキテクチャに基づく MTT の高性能深層学習手法を提案する。
参考スコア（独自算出の注目度）: 21.81266872964314
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multitarget Tracking (MTT) is the problem of tracking the states of an unknown number of objects using noisy measurements, with important applications to autonomous driving, surveillance, robotics, and others. In the model-based Bayesian setting, there are conjugate priors that enable us to express the multi-object posterior in closed form, which could theoretically provide Bayes-optimal estimates. However, the posterior involves a super-exponential growth of the number of hypotheses over time, forcing state-of-the-art methods to resort to approximations for remaining tractable, which can impact their performance in complex scenarios. Model-free methods based on deep-learning provide an attractive alternative, as they can in principle learn the optimal filter from data, but to the best of our knowledge were never compared to current state-of-the-art Bayesian filters, specially not in contexts where accurate models are available. In this paper, we propose a high-performing deep-learning method for MTT based on the Transformer architecture and compare it to two state-of-the-art Bayesian filters, in a setting where we assume the correct model is provided. Although this gives an edge to the model-based filters, it also allows us to generate unlimited training data. We show that the proposed model outperforms state-of-the-art Bayesian filters in complex scenarios, while macthing their performance in simpler cases, which validates the applicability of deep-learning also in the model-based regime. The code for all our implementations is made available at (github link to be provided).
Abstract（参考訳）: マルチターゲットトラッキング(multitarget tracking、mtt)は、ノイズ測定を用いて未知数の物体の状態を追跡する問題であり、自動運転、監視、ロボット工学などにおいて重要な応用である。モデルに基づくベイズ設定では、多目的後続を閉じた形で表現できる共役前駆体が存在し、理論的にはベイズ最適推定を提供することができる。しかし、後部は時間の経過とともに仮説の数の超指数的な増加を伴い、最先端の手法は、複雑なシナリオにおいてそれらの性能に影響を及ぼすような、牽引可能な状態の近似に頼らざるを得ない。ディープラーニングに基づくモデルフリーの手法は、原則としてデータから最適なフィルタを学べるが、私たちの知る限りでは、現在のベイズフィルタと比較されることは決してなく、正確なモデルが利用可能なコンテキストでは特にない。本稿では,トランスフォーマティブ・アーキテクチャに基づくmttの高精度深層学習法を提案し,そのモデルの妥当性を仮定した2つの最先端ベイズフィルタと比較する。これはモデルベースのフィルタにエッジを与えるが、無制限のトレーニングデータを生成することもできる。提案手法は,複雑なシナリオでは最先端のベイズフィルタよりも優れており,より単純なケースでは性能が向上し,モデルベースシステムにおいてもディープラーニングの適用性を検証する。すべての実装のコードは、(提供すべきgithubリンク)で利用可能です。

関連論文リスト

MUSO: Achieving Exact Machine Unlearning in Over-Parameterized Regimes [19.664090734076712]
マシン・アンラーニング(MU)は、訓練されたモデルを特定のデータでトレーニングされたことがないかのように振る舞う。本研究では,学習と学習のタスクを統一する交互最適化アルゴリズムを提案する。このアルゴリズムの有効性は、数値実験によって確認され、様々なシナリオにおける未学習における優れた性能を強調している。
論文参考訳（メタデータ） (2024-10-11T06:17:17Z)
Scalable Inference for Bayesian Multinomial Logistic-Normal Dynamic Linear Models [0.5735035463793009]
この記事では、$textitFenrir$と呼ばれる、後続状態推定に対する効率的で正確なアプローチを開発します。我々の実験から、フェンリルはスタンよりも3桁効率が良いことが示唆された。当社のメソッドは,C++で記述されたユーザフレンドリなソフトウェアライブラリとして,Rインターフェースを備えたコミュニティで利用可能です。
論文参考訳（メタデータ） (2024-10-07T23:20:14Z)
Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
論文参考訳（メタデータ） (2024-05-31T14:21:04Z)
Learning Differentiable Particle Filter on the Fly [18.466658684464598]
微分可能な粒子フィルタは、シーケンシャルベイズ推論技術の新たなクラスである。本稿では,データ到着時にモデルパラメータを更新できるように,微分可能な粒子フィルタのためのオンライン学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-10T17:54:40Z)
Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
相関に基づくステレオマッチングは優れた性能を達成した。固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
論文参考訳（メタデータ） (2023-07-26T09:47:37Z)
Multidimensional Item Response Theory in the Style of Collaborative Filtering [0.8057006406834467]
本稿では,多次元項目応答理論(MIRT)に対する機械学習手法を提案する。協調フィルタリングに触発されて、多くのMIRTモデルを含むモデルの一般的なクラスを定義します。本稿では, 個人モデルとクロスバリデーションを推定し, 最適動作モデルを選択するために, ペナル化結合最大度(JML)の使用について論じる。
論文参考訳（メタデータ） (2023-01-03T00:56:27Z)
Can Deep Learning be Applied to Model-Based Multi-Object Tracking? [25.464269324261636]
マルチオブジェクトトラッキング(MOT)は、ノイズ測定を用いて未知の、時間変化のあるオブジェクトの状態をトラッキングする問題である。ディープラーニング(DL)は、トラッキングパフォーマンスを改善するために、MOTでますます使われている。本稿では,TransformerベースのDLトラッカーを提案し,その性能をモデルベースで評価する。
論文参考訳（メタデータ） (2022-02-16T07:43:08Z)
Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
論文参考訳（メタデータ） (2021-09-13T08:31:59Z)
Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文参考訳（メタデータ） (2021-07-27T08:59:39Z)
Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文参考訳（メタデータ） (2020-04-04T14:16:27Z)
Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
論文参考訳（メタデータ） (2020-02-28T21:52:49Z)

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。