論文の概要: From Target Tracking to Targeting Track -- Part III: Stochastic Process Modeling and Online Learning

• arxiv url: http://arxiv.org/abs/2503.05799v1
• Date: Mon, 03 Mar 2025 12:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 07:11:37.691078
• Title: From Target Tracking to Targeting Track -- Part III: Stochastic Process Modeling and Online Learning
• Title（参考訳）: 目標追跡から目標追跡へ -その3:確率過程モデリングとオンライン学習-
• Authors: Tiancheng Li, Jingyuan Wang, Guchong Li, Dengwei Gao,
• Abstract要約: 本研究では,対象軌道をプロセス(SP)のサンプルパスとして記述する。 決定論的確率分解フレームワークを採用することにより、軌道SPの学習を2つの逐次段階に分解する。 これにより、マルコフフリーなデータ駆動トラッキングアプローチが実現し、ターゲットダイナミクスの事前知識を最小限に抑えた連続時間軌道が生成される。
• 参考スコア（独自算出の注目度）: 18.8192435654239
• License:
• Abstract: This is the third part of a series of studies that model the target trajectory, which describes the target state evolution over continuous time, as a sample path of a stochastic process (SP). By adopting a deterministic-stochastic decomposition framework, we decompose the learning of the trajectory SP into two sequential stages: the first fits the deterministic trend of the trajectory using a curve function of time, while the second estimates the residual stochastic component through parametric learning of either a Gaussian process (GP) or Student's-$t$ process (StP). This leads to a Markov-free data-driven tracking approach that produces the continuous-time trajectory with minimal prior knowledge of the target dynamics. Notably, our approach explicitly models both the temporal correlations of the state sequence and of measurement noises through the SP framework. It does not only take advantage of the smooth trend of the target but also makes use of the long-term temporal correlation of both the data noise and the model fitting error. Simulations in four maneuvering target tracking scenarios have demonstrated its effectiveness and superiority in comparison with existing approaches.
• Abstract（参考訳）: これは、目標軌道をモデル化する一連の研究の第3部であり、確率過程(SP)のサンプルパスとして、連続時間における目標状態の進化を記述する。 決定論的確率分解フレームワークを採用することにより、軌道SPの学習を2つの逐次段階に分解する: 第一は時間曲線関数を用いて軌道の決定論的傾向に適合し、第二はガウス過程(GP)または学生のt$過程(StP)のパラメトリック学習により、残留確率成分を推定する。 これにより、マルコフフリーなデータ駆動トラッキングアプローチが実現し、ターゲットダイナミクスの事前知識を最小限に抑えた連続時間軌道が生成される。 特に,本手法は状態列の時間的相関とSPフレームワークによる測定ノイズの両方を明示的にモデル化する。 ターゲットのスムーズな傾向を活かすだけでなく、データノイズとモデル適合誤差の長期時間相関を利用する。 4つの目標追跡シナリオのシミュレーションは、既存の手法と比較して、その効果と優位性を実証している。

関連論文リスト

• Pairwise Spatiotemporal Partial Trajectory Matching for Co-movement Analysis [1.0942776587291776]
  ペアワイズ・ムーブメント・アナリティクス(Pairwise movement analysis)は、特定の時間枠内で個人を特定することを含む。 本稿では,時間ウィンドウに基づいてデータを解釈可能な画像に変換する部分時間マッチング手法を提案する。 我々は,コウォーキング分類タスクにおける手法の評価を行い,その効果を新しいコ行動識別アプリケーションで実証した。 このアプローチは、時間的行動分析のための強力で解釈可能なフレームワークを提供し、社会行動研究、都市計画、医療に潜在的な応用をもたらす。
  論文  参考訳（メタデータ） (2024-12-03T22:25:44Z)
• Data-Driven Approaches for Modelling Target Behaviour [1.5495593104596401]
  追跡アルゴリズムの性能は、対象の力学に関する選択されたモデル仮定に依存する。 本稿では,物体の動きを記述するために機械学習を利用する3つの異なる手法の比較研究を行う。
  論文  参考訳（メタデータ） (2024-10-14T14:18:27Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Time-Varying Quasi-Closed-Phase Analysis for Accurate Formant Tracking in Speech Signals [17.69029813982043]
  音声信号におけるフォルマントの正確な推定と追跡のための新しい手法を提案する。 TVQCP分析はホルマント推定と追跡を改善する3つのアプローチを組み合わせる。 提案手法は,従来のフォーマント追跡ツールよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-31T08:30:20Z)
• Score-based Data Assimilation [7.215767098253208]
  軌道推定のためのスコアベースのデータ同化を導入する。 我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
  論文  参考訳（メタデータ） (2023-06-18T14:22:03Z)
• Spatio-Temporal Point Process for Multiple Object Tracking [30.041104276095624]
  多重オブジェクト追跡(MOT)は、連続するフレーム間の検出対象の関係をモデル化し、それらを異なる軌道にマージすることに焦点を当てている。 本稿では,物体を軌道に関連付ける前に,ノイズを効果的に予測し,マスクアウトし,検出結果を混乱させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-05T18:14:08Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
  特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。 このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
  論文  参考訳（メタデータ） (2022-03-22T18:37:11Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。