論文の概要: Seamless Tracking of Group Targets and Ungrouped Targets Using Belief Propagation

• arxiv url: http://arxiv.org/abs/2208.12035v1
• Date: Wed, 24 Aug 2022 08:28:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-26 13:19:43.373215
• Title: Seamless Tracking of Group Targets and Ungrouped Targets Using Belief Propagation
• Title（参考訳）: 信念伝播を用いたグループターゲットと非グループターゲットのシームレス追跡
• Authors: Xuqi Zhang, Fanqin Meng, Haiqi Liu, Xiaojing Shen and Yunmin Zhu
• Abstract要約: 本稿では,グループ目標追跡のためのGTBP法を提案する。 GTBPは、考案された因子グラフ上で信念伝播を行うことにより、変数の限界後部分布の近似を計算する。 対象の進化を、可能な群構造によって指定された群または単一ターゲット運動の共作用としてモデル化する。
• 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: This paper considers the problem of tracking a large-scale number of group targets. Usually, multi-target in most tracking scenarios are assumed to have independent motion and are well-separated. However, for group target tracking (GTT), the targets within groups are closely spaced and move in a coordinated manner, the groups can split or merge, and the numbers of targets in groups may be large, which lead to more challenging data association, filtering and computation problems. Within the belief propagation (BP) framework, we propose a scalable group target belief propagation (GTBP) method by jointly inferring target existence variables, group structure, data association and target states. The method can efficiently calculate the approximations of the marginal posterior distributions of these variables by performing belief propagation on the devised factor graph. As a consequence, GTBP is capable of capturing the changes in group structure, e.g., group splitting and merging. Furthermore, we model the evolution of targets as the co-action of the group or single-target motions specified by the possible group structures and corresponding probabilities. This flexible modeling enables seamless and simultaneous tracking of multiple group targets and ungrouped targets. Particularly, GTBP has excellent scalability and low computational complexity. It not only maintains the same scalability as BP, i.e., scaling linearly in the number of sensor measurements and quadratically in the number of targets, but also only scales linearly in the number of preserved group partitions. Finally, numerical experiments are presented to demonstrate the effectiveness and scalability of the proposed GTBP method.
• Abstract（参考訳）: 本稿では,グループターゲットの大規模数を追跡する問題を考える。 通常、ほとんどの追跡シナリオにおけるマルチターゲットは独立動作と仮定され、分離されている。 しかし、グループ対象追跡(GTT)では、グループ内のターゲットは密接な空間化され、協調的に移動し、グループ内のターゲットを分割またはマージし、グループ内のターゲットの数が大きくなる可能性があるため、より困難なデータアソシエーションやフィルタリング、計算問題が発生する。 信念伝達(bp)フレームワーク内では,目標存在変数,グループ構造,データアソシエーション,目標状態を同時に推定することにより,スケーラブルなグループ目標信念伝達(gtbp)手法を提案する。 本手法は、考案した因子グラフ上で信念伝播を行うことにより、これらの変数の辺後分布の近似を効率的に計算することができる。 結果として、gtbpはグループ構造の変化、例えばグループ分割とマージを捉えることができる。 さらに,対象の進化を群の共同作用,あるいは可能な群構造と対応する確率で指定された単一目標運動としてモデル化する。 この柔軟なモデリングは、複数のグループターゲットと未グループターゲットのシームレスかつ同時追跡を可能にする。 特に、GTBPは優れたスケーラビリティと低い計算複雑性を持つ。 bpと同じスケーラビリティを維持するだけでなく、センサーの計測数とターゲット数を2倍に線形にスケーリングするだけでなく、保存されたグループパーティションの数を線形にスケールする。 最後に,提案手法の有効性と拡張性を示す数値実験を行った。

関連論文リスト

• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Learning Exceptional Subgroups by End-to-End Maximizing KL-divergence [32.98328133998099]
  Syflowは、例外的なサブポピュレーションを見つけるための、エンドツーエンドの最適化可能なアプローチである。 我々は、Syflowが洞察に富んだ説明を伴う非常に例外的な部分群を確実に見つけることを示す。
  論文  参考訳（メタデータ） (2024-02-20T11:29:57Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Variable Importance in High-Dimensional Settings Requires Grouping [19.095605415846187]
  Conditional Permutation Importance (CPI)は、そのような場合のPIの制限をバイパスする。 クラスタリングまたはいくつかの事前知識を介して統計的に変数をグループ化すると、ある程度のパワーバックが得られる。 重み付けにより拡張された手法は,高相関なグループであっても,型Iエラーを制御可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-18T00:21:47Z)
• Nonparametric Spatio-Temporal Joint Probabilistic Data Association Coupled Filter and Interfering Extended Target Tracking [5.485511147274347]
  拡張された目標追跡は、空間と時間における目標の遠心率と形状を推定する。 拡張目標追跡が適用可能なさまざまな状況において、複数のターゲットの存在が干渉を引き起こす可能性がある。 JPDACFのバリエーションは、拡張ターゲットの問題に対処するために開発された。
  論文  参考訳（メタデータ） (2023-08-22T13:39:20Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)

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。