論文の概要: Neural Enhanced Belief Propagation for Multiobject Tracking

• arxiv url: http://arxiv.org/abs/2212.08340v1
• Date: Fri, 16 Dec 2022 08:31:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 14:20:07.464559
• Title: Neural Enhanced Belief Propagation for Multiobject Tracking
• Title（参考訳）: マルチオブジェクト追跡のためのニューラル強化信念伝達
• Authors: Mingchao Liang and Florian Meyer
• Abstract要約: モデルベースとデータ駆動型MOTを組み合わせたBPの変種を紹介する。 NEBP法はモデルベース法と比較して追跡性能が向上する。 nuScenes 自律運転データセット上でのMOTに対するNEBP手法の性能評価を行った。
• 参考スコア（独自算出の注目度）: 8.228150100178983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic solutions for multi-object tracking (MOT) are a key enabler for applications in autonomous navigation and applied ocean sciences. State-of-the-art MOT methods fully rely on a statistical model and typically use preprocessed sensor data as measurements. In particular, measurements are produced by a detector that extracts potential object locations from the raw sensor data collected for a discrete time step. This preparatory processing step reduces data flow and computational complexity but may result in a loss of information. State-of-the-art Bayesian MOT methods that are based on belief propagation (BP) systematically exploit graph structures of the statistical model to reduce computational complexity and improve scalability. However, as a fully model-based approach, BP can only provide suboptimal estimates when there is a mismatch between the statistical model and the true data-generating process. Existing BP-based MOT methods can further only make use of preprocessed measurements. In this paper, we introduce a variant of BP that combines model-based with data-driven MOT. The proposed neural enhanced belief propagation (NEBP) method complements the statistical model of BP by information learned from raw sensor data. This approach conjectures that the learned information can reduce model mismatch and thus improve data association and false alarm rejection. Our NEBP method improves tracking performance compared to model-based methods. At the same time, it inherits the advantages of BP-based MOT, i.e., it scales only quadratically in the number of objects, and it can thus generate and maintain a large number of object tracks. We evaluate the performance of our NEBP approach for MOT on the nuScenes autonomous driving dataset and demonstrate that it has state-of-the-art performance.
• Abstract（参考訳）: マルチオブジェクト追跡のためのアルゴリズム的解法(mot)は、自律航法や海洋科学における応用の鍵となる。 最先端のMOT法は統計モデルに完全に依存しており、通常、事前処理されたセンサーデータを測定として使用する。 特に測定は、離散的な時間ステップで収集された原センサーデータから潜在的対象位置を抽出する検出器によって生成される。 この準備処理ステップはデータフローと計算の複雑さを減少させるが、情報を失う可能性がある。 信念伝播(BP)に基づく最新のベイズMOT法は、統計モデルのグラフ構造を体系的に利用し、計算複雑性を低減し、スケーラビリティを向上させる。 しかし、完全なモデルに基づくアプローチとして、BPは統計モデルと真のデータ生成プロセスの間にミスマッチがある場合にのみ、最適以下の推定を提供することができる。 既存のBPベースのMOT法は、事前処理された測定のみを利用することができる。 本稿では,モデルベースとデータ駆動型MOTを組み合わせたBPの変種を紹介する。 提案手法は, 生センサデータから得られた情報を用いて, bpの統計モデルを補完するものである。 このアプローチは、学習した情報がモデルミスマッチを低減し、データアソシエーションと誤報拒否を改善することができると推測する。 NEBP法はモデルベース法と比較して追跡性能が向上する。 同時に、BPベースのMOTの利点を継承し、すなわち、オブジェクトの数を2次的にしかスケーリングせず、多数のオブジェクトトラックを生成し維持することができる。 nuScenes 自律走行データセット上でのMOTに対するNEBP手法の性能評価を行い,その性能を実証した。

関連論文リスト

• A Bayesian Approach to Data Point Selection [24.98069363998565]
  データポイントの選択(DPS)は、ディープラーニングにおいて重要なトピックになりつつある。 既存のDPSへのアプローチは、主にバイレベル最適化(BLO)の定式化に基づいている。 DPSに対する新しいベイズ的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-06T09:04:13Z)
• Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
  モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態の推定。 時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。 既存の2つの教師なし学習ベースのデータ駆動手法は、モデルフリープロセスのBSCM問題に対処できない。 半教師付き学習に基づくDANSE手法を開発し,その手法をSemiDANSEと呼ぶ。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
  アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。 効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。 本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T08:12:23Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Neural Enhanced Belief Propagation for Data Assocation in Multiobject Tracking [8.228150100178983]
  マルチオブジェクトトラッキング(MOT)は、自律ナビゲーションや応用海洋科学などの分野における新しいサービスとアプリケーションを作成する。 信念伝播(BP)はベイジアンMOTの最先端の手法であるが、統計モデルと事前処理されたセンサ測定に完全に依存している。 我々は,モデルベースおよびデータ駆動型MOTのハイブリッド手法を構築し,提案手法は生センサデータから得られた情報によってBPを補完する。 nuScenes 自律走行データセット上でのMOTに対するNEBP手法の性能評価を行い,その性能を実証する。
  論文  参考訳（メタデータ） (2022-03-17T00:12:48Z)
• 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)
• Deep Measurement Updates for Bayes Filters [5.059735037931382]
  本稿では,多種多様なシステムに対する一般的な更新ルールとして,Deep Measurement Update (DMU)を提案する。 DMUは、深度画像を生の入力として処理する条件付きエンコーダ・デコーダニューラルネットワーク構造を持つ。 情報ボトルネックに頼らずに条件変数に敏感なDMUモデルを効率的に訓練する方法を実証する。
  論文  参考訳（メタデータ） (2021-12-01T10:00:37Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。