論文の概要: Bayesian Multiobject Tracking With Neural-Enhanced Motion and Measurement Models
- arxiv url: http://arxiv.org/abs/2506.18124v1
- Date: Sun, 22 Jun 2025 18:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.761576
- Title: Bayesian Multiobject Tracking With Neural-Enhanced Motion and Measurement Models
- Title（参考訳）: ニューラル・エンハンスメント・モーションと計測モデルを用いたベイズ多目的追跡
- Authors: Shaoxiu Wei, Mingchao Liang, Florian Meyer,
- Abstract要約: マルチオブジェクトトラッキング(MOT)は、自律走行、海洋科学、航空宇宙監視などのアプリケーションにおいて重要なタスクである。
従来のMOT法はモデルベースであり、連続ベイズ推定とデータアソシエーションとオブジェクト生成モデルを組み合わせたものである。
最近の手法は完全なデータ駆動であり、ニューラルネットワークのトレーニングに依存している。
- 参考スコア（独自算出の注目度）: 4.7752948351582605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiobject tracking (MOT) is an important task in applications including autonomous driving, ocean sciences, and aerospace surveillance. Traditional MOT methods are model-based and combine sequential Bayesian estimation with data association and an object birth model. More recent methods are fully data-driven and rely on the training of neural networks. Both approaches offer distinct advantages in specific settings. In particular, model-based methods are generally applicable across a wide range of scenarios, whereas data-driven MOT achieves superior performance in scenarios where abundant labeled data for training is available. A natural thought is whether a general framework can integrate the two approaches. This paper introduces a hybrid method that utilizes neural networks to enhance specific aspects of the statistical model in Bayesian MOT that have been identified as overly simplistic. By doing so, the performance of the prediction and update steps of Bayesian MOT is improved. To ensure tractable computation, our framework uses belief propagation to avoid high-dimensional operations combined with sequential Monte Carlo methods to perform low-dimensional operations efficiently. The resulting method combines the flexibility and robustness of model-based approaches with the capability to learn complex information from data of neural networks. We evaluate the performance of the proposed method based 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トラッキング(MOT)は、自律走行、海洋科学、航空宇宙監視などのアプリケーションにおいて重要なタスクである。
従来のMOT法はモデルベースであり、連続ベイズ推定とデータアソシエーションとオブジェクト生成モデルを組み合わせたものである。
最近の手法は完全なデータ駆動であり、ニューラルネットワークのトレーニングに依存している。
どちらのアプローチも、特定の設定で明確なアドバンテージを提供する。
特に、モデルベースの手法は、広範囲のシナリオに適用できるのに対し、データ駆動型MOTは、トレーニング用のラベル付きデータが豊富に存在するシナリオにおいて、優れたパフォーマンスを達成する。
自然な考えは、一般的なフレームワークが2つのアプローチを統合することができるかどうかである。
本稿では,ニューラルネットワークを用いて,過度に単純化されたベイズMOTの統計モデルの特定の側面を強化するハイブリッド手法を提案する。
これにより、ベイジアンMOTの予測および更新ステップの性能が向上する。
提案手法は,高次元演算と連続モンテカルロ法を併用して低次元演算を効率的に行うことを避けるために,信念伝搬を用いた。
結果として得られた手法は、モデルベースのアプローチの柔軟性と堅牢性と、ニューラルネットワークのデータから複雑な情報を学ぶ能力を組み合わせる。
nuScenes 自律走行データセットに基づく提案手法の性能評価と最先端性能の実証を行った。
関連論文リスト
- NAN: A Training-Free Solution to Coefficient Estimation in Model Merging [61.36020737229637]
最適なマージ重み付けは,各モデルに符号化されたタスク固有情報の量とともにスケールする必要があることを示す。
パラメータノルムの逆数を用いてモデルマージ係数を推定する,単純で効果的な手法であるNANを提案する。
NANはトレーニングフリーで、プラグアンドプレイで、幅広いマージ戦略に適用できる。
論文 参考訳（メタデータ） (2025-05-22T02:46:08Z) - Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。
現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。
本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
論文 参考訳（メタデータ） (2025-01-16T13:17:24Z) - A New Architecture for Neural Enhanced Multiobject Tracking [4.7752948351582605]
マルチオブジェクトトラッキングは、ロボット工学、自律運転、海洋監視において重要なタスクである。
MOTの伝統的な研究はモデルベースであり、逐次ベイズ推定の枠組みでアルゴリズムを確立することを目的としている。
最近の手法は完全なデータ駆動であり、ニューラルネットワークのトレーニングに依存している。
本稿では,Neural-enhanced belief propagation (NEBP)と呼ばれるハイブリッドモデルとデータ駆動方式を最近導入した。
論文 参考訳（メタデータ） (2024-10-08T18:53:45Z) - Enhanced Prediction of Multi-Agent Trajectories via Control Inference and State-Space Dynamics [14.694200929205975]
本稿では,状態空間動的システムモデリングに基づく軌道予測の新しい手法を提案する。
動的システムにおける状態推定の精度を高めるために,制御変数に対する新しいモデリング手法を提案する。
提案手法は,グラフニューラルネットワークと状態空間モデルを統合し,マルチエージェント相互作用の複雑さを効果的に捉える。
論文 参考訳（メタデータ） (2024-08-08T08:33:02Z) - TRAK: Attributing Model Behavior at Scale [79.56020040993947]
本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
論文 参考訳（メタデータ） (2023-03-24T17:56:22Z) - Neural Enhanced Belief Propagation for Multiobject Tracking [8.228150100178983]
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。
論文 参考訳（メタデータ） (2022-12-16T08:31:07Z) - 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) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。