論文の概要: A Moving Window Based Approach to Multi-scan Multi-Target Tracking

• arxiv url: http://arxiv.org/abs/2210.04008v1
• Date: Sat, 8 Oct 2022 12:37:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 11:36:33.619941
• Title: A Moving Window Based Approach to Multi-scan Multi-Target Tracking
• Title（参考訳）: 移動窓を用いたマルチスキャンマルチターゲット追跡手法
• Authors: Diluka Moratuwage, Changbeom Shim, and Yuthika Punchihewa
• Abstract要約: マルチターゲット状態推定(Multi-target state estimation)とは、監視エリアにおけるターゲット数とその軌跡を推定することである。 汎用ラベル付きマルチベルヌーリ(GLMB)スムースメントを用いたマルチターゲットトラッキングのための移動窓ベースソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-target state estimation refers to estimating the number of targets and their trajectories in a surveillance area using measurements contaminated with noise and clutter. In the Bayesian paradigm, the most common approach to multi-target estimation is by recursively propagating the multi-target filtering density, updating it with current measurements set at each timestep. In comparison, multi-target smoothing uses all measurements up to current timestep and recursively propagates the entire history of multi-target state using the multi-target posterior density. The recent Generalized Labeled Multi-Bernoulli (GLMB) smoother is an analytic recursion that propagate the labeled multi-object posterior by recursively updating labels to measurement association maps from the beginning to current timestep. In this paper, we propose a moving window based solution for multi-target tracking using the GLMB smoother, so that only those association maps in a window (consisting of latest maps) get updated, resulting in an efficient approximate solution suitable for practical implementations.
• Abstract（参考訳）: マルチターゲット状態推定(multi-target state estimation)とは、ノイズやクラッタで汚染された測定値を用いて、監視領域におけるターゲット数とその軌跡を推定することである。 ベイズパラダイムにおいて、マルチターゲット推定の最も一般的なアプローチは、マルチターゲットフィルタリング密度を再帰的に伝播し、各タイムステップに設定された現在の測定値で更新することである。 比較として、マルチターゲットスムースティングは、現在の時間段階まですべての測定値を使用し、マルチターゲット後部密度を用いて、マルチターゲット状態の全履歴を再帰的に伝播する。 最近の一般化ラベル付きマルチバーヌーリスムーザ(glmb smoother)は、ラベルを初期から現在までの時系列マップに再帰的に更新することで、ラベル付きマルチオブジェクト後段を伝播する解析的再帰である。 本稿では,glmbスムーザを用いたマルチターゲットトラッキングのための移動ウィンドウベースソリューションを提案する。これにより,ウィンドウ内のアソシエーションマップのみを更新できるため,実用的な実装に適した効率的な近似ソリューションを実現する。

関連論文リスト

• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [52.131996528655094]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• SparseTrack: Multi-Object Tracking by Performing Scene Decomposition based on Pseudo-Depth [84.64121608109087]
  2次元画像から目標の相対的な深さを求めるための擬似深度推定法を提案する。 次に,得られた深度情報を用いて,高密度なターゲットセットを複数のスパースなターゲットサブセットに変換するディープカスケードマッチング(DCM)アルゴリズムを設計する。 擬似深度法とDCM戦略をデータアソシエーションプロセスに統合することにより、SparseTrackと呼ばれる新しいトラッカーを提案する。
  論文  参考訳（メタデータ） (2023-06-08T14:36:10Z)
• Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
  本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。 ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。 MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
  論文  参考訳（メタデータ） (2023-03-15T08:38:08Z)
• Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
  本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。 各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。 頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:58:27Z)
• Adaptive Affinity for Associations in Multi-Target Multi-Camera Tracking [53.668757725179056]
  本稿では,MTMCTにおけるアフィニティ推定を対応する対応範囲に適応させるための,単純かつ効果的な手法を提案する。 すべての外見の変化に対処する代わりに、データアソシエーション中に出現する可能性のあるものに特化したアフィニティメトリックを調整します。 ミスマッチを最小限に抑えるため、アダプティブアフィニティモジュールはグローバルなre-ID距離を大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-14T18:59:11Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• Continuous-discrete multiple target tracking with out-of-sequence measurements [0.25782420501870296]
  本稿では、複数の目標追跡のための連続時間におけるOOS(out-of-sequence)測定の最適ベイズ処理を導出する。 連続時間でモデル化されたマルチターゲットシステムについて検討する。
  論文  参考訳（メタデータ） (2021-06-09T08:37:01Z)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)
• Adaptive Mixture Regression Network with Local Counting Map for Crowd Counting [16.816382549827214]
  そこで我々は,密度マップに基づくアプローチよりも正確な結果を得るために,LCM (Local counting map) という新しいターゲットを導入する。 また、3つのモジュールからなる適応型混合回帰フレームワークを粗大な方法で提案し、群衆推定の精度をさらに向上させる。
  論文  参考訳（メタデータ） (2020-05-12T13:54:05Z)

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。