論文の概要: Interaction-Aware Labeled Multi-Bernoulli Filter

• arxiv url: http://arxiv.org/abs/2204.08655v1
• Date: Tue, 19 Apr 2022 04:23:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 14:43:35.970313
• Title: Interaction-Aware Labeled Multi-Bernoulli Filter
• Title（参考訳）: 対話型ラベル付きマルチベルヌーリフィルタ
• Authors: Nida Ishtiaq, Amirali Khodadadian Gostar, Alireza Bab-Hadiashar, Reza Hoseinnezhad
• Abstract要約: RFSに基づくマルチターゲットフィルタの予測ステップにターゲットインタラクションを組み込む新しい手法を提案する。 この手法は、協調した群れと車両を追跡するための2つの実用的な応用のために開発された。
• 参考スコア（独自算出の注目度）: 5.255783459833821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking multiple objects through time is an important part of an intelligent transportation system. Random finite set (RFS)-based filters are one of the emerging techniques for tracking multiple objects. In multi-object tracking (MOT), a common assumption is that each object is moving independent of its surroundings. But in many real-world applications, target objects interact with one another and the environment. Such interactions, when considered for tracking, are usually modeled by an interactive motion model which is application specific. In this paper, we present a novel approach to incorporate target interactions within the prediction step of an RFS-based multi-target filter, i.e. labeled multi-Bernoulli (LMB) filter. The method has been developed for two practical applications of tracking a coordinated swarm and vehicles. The method has been tested for a complex vehicle tracking dataset and compared with the LMB filter through the OSPA and OSPA$^{(2)}$ metrics. The results demonstrate that the proposed interaction-aware method depicts considerable performance enhancement over the LMB filter in terms of the selected metrics.
• Abstract（参考訳）: 時間を通して複数の物体を追跡することは、インテリジェントな輸送システムの重要な部分である。 ランダム有限集合(RFS)ベースのフィルタは、複数のオブジェクトを追跡する新しい手法の1つである。 マルチオブジェクトトラッキング(MOT)では、各オブジェクトが周囲から独立して動いているという仮定が一般的である。 しかし、多くの現実世界のアプリケーションでは、ターゲットオブジェクトは互いに環境と相互作用する。 このような相互作用は、追跡のために考慮された場合、通常、アプリケーション固有のインタラクティブモーションモデルによってモデル化される。 本稿では,RFSに基づくマルチターゲットフィルタ,すなわちラベル付きマルチベルヌーリ(LMB)フィルタの予測ステップにターゲットインタラクションを組み込む新しい手法を提案する。 この方法は、協調した群れと車両を追跡する2つの実用的な応用のために開発された。 この手法は複雑な車両追跡データセットとしてテストされており、OSPAおよびOSPA$^{(2)}$メトリックによるLMBフィルタと比較されている。 その結果,提案手法はlmbフィルタの性能向上に寄与することが明らかとなった。

関連論文リスト

• Engineering an Efficient Object Tracker for Non-Linear Motion [0.0]
  マルチオブジェクトトラッキングの目標は、シーン内のすべてのオブジェクトを検出し、追跡することである。 このタスクは、動的および非線形な動きパターンを含むシナリオの場合、特に困難である。 本稿では,これらのシナリオに特化して設計された新しい多目的トラッカーであるDeepMoveSORTを紹介する。
  論文  参考訳（メタデータ） (2024-06-30T15:50:54Z)
• Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
  そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。 提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-11-17T08:17:49Z)
• End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
  マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。 本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
  論文  参考訳（メタデータ） (2022-10-26T10:19:37Z)
• Multiple target tracking with interaction using an MCMC MRF Particle Filter [0.0]
  本稿では,マルチターゲット追跡手法の実装について述べる。 提案手法では,Markov Chain Monte Carlo (MCMC) サンプリングステップを用いてフィルタの評価を行い,新しいサンプルを生成するための効率的な提案密度を構築する。 MRFを用いた標的相互作用のモデル化手法は, 独立性, 相互作用を意識しない粒子フィルタによる追従誤差の多くを精度良く補正できることが示されている。
  論文  参考訳（メタデータ） (2021-11-25T17:32:50Z)
• Extended Object Tracking Using Sets Of Trajectories with a PHD Filter [6.0813324895213885]
  PHDフィルタリングは、オブジェクトの数とその状態が不明なシナリオで使用される、一般的で効果的な複数のオブジェクト追跡アルゴリズムである。 本稿では,Gamma Gaussian inverse Wishart mix PHD filterを提案する。
  論文  参考訳（メタデータ） (2021-09-02T15:32:12Z)
• Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality Collaboration [56.01625477187448]
  MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。 2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。 提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-05-31T03:16:38Z)
• Modular Multi Target Tracking Using LSTM Networks [0.0]
  本稿では,センサ計測を用いた航空機目標追尾システムに対する自由端対端手法を提案する。 提案したモジュールブロックは、多数のトラッキングアプリケーションで独立して訓練および使用することができる。
  論文  参考訳（メタデータ） (2020-11-16T15:58:49Z)
• Online Multi-Object Tracking and Segmentation with GMPHD Filter and Mask-based Affinity Fusion [79.87371506464454]
  本稿では,インスタンス分割結果を入力として利用するMOTS法を提案する。 提案手法は,ガウス混合確率仮説密度 (GMPHD) フィルタ,階層型データアソシエーション (HDA) モデル,マスクベース親和性融合 (MAF) モデルに基づく。 2つの人気のあるMOTSデータセットの実験では、主要なモジュールがいくつかの改善点を示している。
  論文  参考訳（メタデータ） (2020-08-31T21:06:22Z)
• TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
  オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。 ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。 我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
  論文  参考訳（メタデータ） (2020-05-20T21:07:28Z)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)

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。