論文の概要: Beyond Kalman Filters: Deep Learning-Based Filters for Improved Object Tracking

• arxiv url: http://arxiv.org/abs/2402.09865v1
• Date: Thu, 15 Feb 2024 10:47:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 16:03:06.331428
• Title: Beyond Kalman Filters: Deep Learning-Based Filters for Improved Object Tracking
• Title（参考訳）: Kalman Filters: オブジェクト追跡を改善するディープラーニングベースのフィルタ
• Authors: Momir Ad\v{z}emovi\'c, Predrag Tadi\'c, Andrija Petrovi\'c, Mladen Nikoli\'c
• Abstract要約: 本稿では,追跡検出システムのための2つの革新的なデータ駆動フィルタリング手法を提案する。 最初の方法は、トレーニング可能な運動モデルを持つベイズフィルタを用いて、物体の将来の位置を予測する。 第2の方法は、エンドツーエンドのトレーニング可能なフィルタで、検出エラーの修正を学習することでさらに前進する。
• 参考スコア（独自算出の注目度）: 3.5693768338940304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional tracking-by-detection systems typically employ Kalman filters (KF) for state estimation. However, the KF requires domain-specific design choices and it is ill-suited to handling non-linear motion patterns. To address these limitations, we propose two innovative data-driven filtering methods. Our first method employs a Bayesian filter with a trainable motion model to predict an object's future location and combines its predictions with observations gained from an object detector to enhance bounding box prediction accuracy. Moreover, it dispenses with most domain-specific design choices characteristic of the KF. The second method, an end-to-end trainable filter, goes a step further by learning to correct detector errors, further minimizing the need for domain expertise. Additionally, we introduce a range of motion model architectures based on Recurrent Neural Networks, Neural Ordinary Differential Equations, and Conditional Neural Processes, that are combined with the proposed filtering methods. Our extensive evaluation across multiple datasets demonstrates that our proposed filters outperform the traditional KF in object tracking, especially in the case of non-linear motion patterns -- the use case our filters are best suited to. We also conduct noise robustness analysis of our filters with convincing positive results. We further propose a new cost function for associating observations with tracks. Our tracker, which incorporates this new association cost with our proposed filters, outperforms the conventional SORT method and other motion-based trackers in multi-object tracking according to multiple metrics on motion-rich DanceTrack and SportsMOT datasets.
• Abstract（参考訳）: 従来のトラッキングバイ検出システムは、通常、状態推定にカルマンフィルタ(kf)を用いる。 しかし、KFはドメイン固有の設計選択を必要としており、非線形動作パターンを扱うのに不適である。 これらの制限に対処するため,我々は2つの革新的なデータ駆動フィルタリング手法を提案する。 第1の方法はベイズフィルタと訓練可能な運動モデルを用いて物体の将来の位置を予測し,その予測と物体検出器からの観測を組み合わせることで境界ボックス予測精度を向上させる。 さらに、kfの特徴となるドメイン固有の設計選択をほとんど不要にする。 第2の方法はエンドツーエンドのトレーニング可能なフィルタで、検出エラーの修正を学習し、ドメインの専門知識の必要性を更に最小化する。 さらに,提案手法と組み合わせた再帰的ニューラルネットワーク,ニューラル常微分方程式,条件付きニューラルプロセスに基づく動作モデルアーキテクチャについても紹介する。 複数のデータセットにわたる広範な評価結果から,提案するフィルタは,従来のkfよりも,特に非線形動作パターンにおいて,従来のkfよりも優れています。 また, フィルタの雑音頑健性解析を行い, 肯定的な結果を得た。 さらに,観測を軌道に関連付ける新たなコスト関数を提案する。 提案したフィルタとの新たな関連性を考慮したトラッカーは,モーションリッチなDanceTrackとSportsMOTデータセットの複数の測定値に従って,従来のSORT法および他のモーションベーストラッカーよりも優れている。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• 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)
• Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
  様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。 本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。 本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:44:24Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• AM-SORT: Adaptable Motion Predictor with Historical Trajectory Embedding for Multi-Object Tracking [26.585985828583304]
  我々は,非線形不確かさを推定するために適応性のある動き予測器AM-SORTを用いた動きに基づくMOT手法を提案する。 AM-SORTは、カルマンフィルタに取って代わるSORTシリーズトラッカーの新たな拡張である。
  論文  参考訳（メタデータ） (2024-01-25T05:09:30Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Sparse Regularized Correlation Filter for UAV Object Tracking with adaptive Contextual Learning and Keyfilter Selection [20.786475337107472]
  相関フィルタは無人航空機(UAV)の追跡に広く応用されている。 2つの固有の欠陥、すなわち境界効果とフィルタの破損のために脆弱である。 本稿では,適応型文脈学習とキーフィルタ選択を用いた新しい$ell_1$正規化相関フィルタを提案する。
  論文  参考訳（メタデータ） (2022-05-07T10:25:56Z)
• Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
  オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。 周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。 逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
  論文  参考訳（メタデータ） (2022-02-28T05:49:35Z)
• 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)
• FlowMOT: 3D Multi-Object Tracking by Scene Flow Association [9.480272707157747]
  従来のマッチングアルゴリズムと点運動情報を統合するLiDARベースの3D MOTフレームワークFlowMOTを提案する。 提案手法は,最新のエンドツーエンド手法より優れ,最先端のフィルタ方式と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-14T14:03:48Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。