論文の概要: Attention-Bayesian Hybrid Approach to Modular Multiple Particle Tracking
- arxiv url: http://arxiv.org/abs/2506.09441v1
- Date: Wed, 11 Jun 2025 06:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:02.603464
- Title: Attention-Bayesian Hybrid Approach to Modular Multiple Particle Tracking
- Title（参考訳）: モジュール型多粒子追跡に対する注意-ベイズハイブリッドアプローチ
- Authors: Piyush Mishra, Philippe Roudot,
- Abstract要約: 本研究では,素粒子の挙動を自己認識する能力とベイズフィルタの信頼性と解釈性を組み合わせたハイブリッドトラッキングフレームワークを提案する。
提案手法は,スプリアス検出に対するトラッキング精度とロバスト性の向上を実証し,高精度な複数粒子追跡シナリオのソリューションを提供する。
- 参考スコア（独自算出の注目度）: 0.845772524399978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tracking multiple particles in noisy and cluttered scenes remains challenging due to a combinatorial explosion of trajectory hypotheses, which scales super-exponentially with the number of particles and frames. The transformer architecture has shown a significant improvement in robustness against this high combinatorial load. However, its performance still falls short of the conventional Bayesian filtering approaches in scenarios presenting a reduced set of trajectory hypothesis. This suggests that while transformers excel at narrowing down possible associations, they may not be able to reach the optimality of the Bayesian approach in locally sparse scenario. Hence, we introduce a hybrid tracking framework that combines the ability of self-attention to learn the underlying representation of particle behavior with the reliability and interpretability of Bayesian filtering. We perform trajectory-to-detection association by solving a label prediction problem, using a transformer encoder to infer soft associations between detections across frames. This prunes the hypothesis set, enabling efficient multiple-particle tracking in Bayesian filtering framework. Our approach demonstrates improved tracking accuracy and robustness against spurious detections, offering a solution for high clutter multiple particle tracking scenarios.
- Abstract（参考訳）: ノイズや散らばったシーンで複数の粒子を追跡することは、粒子やフレームの数と超指数的にスケールする軌道仮説の組合せによる爆発のため、依然として困難である。
トランスアーキテクチャは、この高い組合せ負荷に対するロバスト性を大幅に改善した。
しかし、その性能は、軌道仮説の減少を示すシナリオにおける従来のベイズフィルタ手法にはまだ及ばない。
このことは、変換子は関連を狭めるのに優れているが、局所スパースシナリオにおけるベイズ的アプローチの最適性には到達できないことを示唆している。
そこで,本研究では,素粒子の挙動の表現とベイズフィルタの信頼性,解釈性を学習する自己認識能力を組み合わせたハイブリッドトラッキングフレームワークを提案する。
我々は、トランスフォーマーエンコーダを用いて、フレーム間の検出間のソフトな関連を推測し、ラベル予測問題を解くことにより、トラジェクトリ・トゥ・ディテククション・アソシエーションを行う。
これにより仮説集合が立証され、ベイズフィルタフレームワークにおける効率的な多粒子追跡が可能となる。
提案手法は,スプリアス検出に対するトラッキング精度とロバスト性の向上を実証し,高精度な複数粒子追跡シナリオのソリューションを提供する。
関連論文リスト
- Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level
Stability and High-Level Behavior [51.60683890503293]
生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。
任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
論文 参考訳（メタデータ） (2023-07-27T04:27:26Z) - Variational Bayes for robust radar single object tracking [5.390933335965428]
我々は、レーダによる物体追跡と、現在最先端の手法による異常処理の堅牢性に対処する。
本稿では,ガウス型サムフィルタをベースラインとして,ガウス型よりも重い分布を持つプロセスノイズをモデル化して修正を提案する。
シミュレーションにより, プロセスアウトレーヤの存在下では, ロバストトラッカーは単一物体の追跡においてガウス・サムフィルタよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-09-28T19:41:33Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - Multiple target tracking with interaction using an MCMC MRF Particle
Filter [0.0]
本稿では,マルチターゲット追跡手法の実装について述べる。
提案手法では,Markov Chain Monte Carlo (MCMC) サンプリングステップを用いてフィルタの評価を行い,新しいサンプルを生成するための効率的な提案密度を構築する。
MRFを用いた標的相互作用のモデル化手法は, 独立性, 相互作用を意識しない粒子フィルタによる追従誤差の多くを精度良く補正できることが示されている。
論文 参考訳（メタデータ） (2021-11-25T17:32:50Z) - THOMAS: Trajectory Heatmap Output with learned Multi-Agent Sampling [2.424910201171407]
本稿では,高速かつ同時エージェントによる将来のヒートマップ推定のための統一モデルアーキテクチャを提案する。
シーン一貫性のある予測を生成することは、衝突のない軌道の単なる世代を越えている。
我々は、Interaction Multi-agent Prediction Challengeについて報告し、オンラインテストリーダーボードで1st$をランク付けした。
論文 参考訳（メタデータ） (2021-10-13T10:05:47Z) - Deep Convolutional Correlation Iterative Particle Filter for Visual
Tracking [1.1531505895603305]
本研究では,反復的粒子フィルタ,深部畳み込みニューラルネットワーク,相関フィルタを統合した視覚追跡のための新しいフレームワークを提案する。
我々は, K-平均クラスタリングを適用して, 繰り返し後の粒子の可能性を評価する新しい手法を採用した。
2つの異なるベンチマークデータセットの実験結果は、トラッカーが最先端の手法に対して好適に動作することを示している。
論文 参考訳（メタデータ） (2021-07-07T02:44:43Z) - Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文 参考訳（メタデータ） (2021-05-07T09:37:06Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z) - Deep Convolutional Likelihood Particle Filter for Visual Tracking [0.7424262881242935]
畳み込み相関型ビジュアルトラッカーのための新しい粒子フィルタを提案する。
本手法は,確率分布の推定に相関応答マップを用いる。
我々のフレームワークは最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-06-11T19:02:27Z)
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。