論文の概要: Can Deep Learning be Applied to Model-Based Multi-Object Tracking?
- arxiv url: http://arxiv.org/abs/2202.07909v1
- Date: Wed, 16 Feb 2022 07:43:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 15:00:25.962851
- Title: Can Deep Learning be Applied to Model-Based Multi-Object Tracking?
- Title（参考訳）: 深層学習はモデルベースマルチオブジェクト追跡に適用できるか?
- Authors: Juliano Pinto, Georg Hess, William Ljungbergh, Yuxuan Xia, Henk
Wymeersch, Lennart Svensson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.464269324261636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-object tracking (MOT) is the problem of tracking the state of an
unknown and time-varying number of objects using noisy measurements, with
important applications such as autonomous driving, tracking animal behavior,
defense systems, and others. In recent years, deep learning (DL) has been
increasingly used in MOT for improving tracking performance, but mostly in
settings where the measurements are high-dimensional and there are no available
models of the measurement likelihood and the object dynamics. The model-based
setting instead has not attracted as much attention, and it is still unclear if
DL methods can outperform traditional model-based Bayesian methods, which are
the state of the art (SOTA) in this context. In this paper, we propose a
Transformer-based DL tracker and evaluate its performance in the model-based
setting, comparing it to SOTA model-based Bayesian methods in a variety of
different tasks. Our results show that the proposed DL method can match the
performance of the model-based methods in simple tasks, while outperforming
them when the task gets more complicated, either due to an increase in the data
association complexity, or to stronger nonlinearities of the models of the
environment.
- Abstract（参考訳）: 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および時間変化の物体の状態を追跡する問題であり、自律運転、動物行動の追跡、防衛システムなどの重要な応用がある。
近年, 深層学習 (DL) がMOTの追跡性能向上に利用されてきているが, 測定精度が高次元であり, 測定精度や物体の動的特性のモデルが存在しない状況では, 主に利用できない。
モデルベースの設定はそれほど注目されていないが、dl法が伝統的なモデルベースのベイズ法よりも優れているかどうかは、この文脈においてsota(state of the art)である。
本稿では,Transformer を用いた DL トラッカーを提案し,その性能をモデルベース設定で評価し,様々なタスクにおいて SOTA モデルベースのベイズ手法と比較する。
提案手法は,データ結合の複雑さが増すか,あるいは環境モデルのより強固な非線形性によって,タスクが複雑になる場合よりもパフォーマンスが向上すると同時に,単純なタスクでモデルベース手法の性能に適合することを示す。
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) - Data-Driven Approaches for Modelling Target Behaviour [1.5495593104596401]
追跡アルゴリズムの性能は、対象の力学に関する選択されたモデル仮定に依存する。
本稿では,物体の動きを記述するために機械学習を利用する3つの異なる手法の比較研究を行う。
論文 参考訳（メタデータ） (2024-10-14T14:18:27Z) - Transformer-Based Multi-Object Smoothing with Decoupled Data Association
and Smoothing [20.99082981430798]
マルチオブジェクト追跡(Multi-object Tracking、MOT)は、ある時間ウィンドウ上で、未知および時間変化したオブジェクトの状態軌跡を推定するタスクである。
ディープラーニングベースのアルゴリズムはこの問題に対処する場として考えられるが、正確なマルチオブジェクトモデルが利用できるような環境では広く適用されていない。
本稿では,データアソシエーションタスクをスムースなタスクから切り離すような,この設定に適した新しいDLアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-12-22T20:24:39Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳（メタデータ） (2023-04-05T07:28:33Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - Multitarget Tracking with Transformers [21.81266872964314]
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。
論文 参考訳（メタデータ） (2021-04-01T19:14:55Z) - Reinforcement Learning based dynamic weighing of Ensemble Models for
Time Series Forecasting [0.8399688944263843]
データモデリングのために選択されたモデルが(線形/非線形、静的/動的)異なるモデルと独立(最小相関)モデルである場合、予測の精度が向上することが知られている。
アンサンブルモデルを重み付けするために文献で提案された様々なアプローチは、静的な重みセットを使用する。
この問題に対処するため、Reinforcement Learning (RL)アプローチでは、各モデルの重み付けを異なるタイミングで動的に割り当て、更新する。
論文 参考訳（メタデータ） (2020-08-20T10:40:42Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z)
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。