論文の概要: A Graph Neural Network Approach for Solving the Ranked Assignment Problem in Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2604.01696v1
• Date: Thu, 02 Apr 2026 06:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.576102
• Title: A Graph Neural Network Approach for Solving the Ranked Assignment Problem in Multi-Object Tracking
• Title（参考訳）: グラフニューラルネットワークによる多目的追跡におけるランク付け代入問題の解法
• Authors: Robin Dehler, Martin Herrmann, Jan Strohbeck, Michael Buchholz,
• Abstract要約: トラックと測定を関連付けることは、自動運転車の安全性を保証するために、MOT(Multi-Object Tracking)において重要なステップである。 本稿では、グラフニューラルネットワーク(GNN)を用いたデータアソシエーションタスクのランク付け問題に対処する。 提案するランク付けアサインメント予測グラフニューラルネットワーク(RAPNet)では,二部グラフを用いて問題をモデル化し,ディープラーニングの計算能力を活用する。 決定的な評価は、RAPNetとMurtyのアルゴリズムとGibbsサンプルラを比較し、Gibbsサンプルラと比較して精度が向上したことを示している。
• 参考スコア（独自算出の注目度）: 2.059090414809122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Associating measurements with tracks is a crucial step in Multi-Object Tracking (MOT) to guarantee the safety of autonomous vehicles. To manage the exponentially growing number of track hypotheses, truncation becomes necessary. In the $δ$-Generalized Labeled Multi-Bernoulli ($δ$-GLMB) filter application, this truncation typically involves the ranked assignment problem, solved by Murty's algorithm or the Gibbs sampling approach, both with limitations in terms of complexity or accuracy, respectively. With the motivation to improve these limitations, this paper addresses the ranked assignment problem arising from data association tasks with an approach that employs Graph Neural Networks (GNNs). The proposed Ranked Assignment Prediction Graph Neural Network (RAPNet) uses bipartite graphs to model the problem, harnessing the computational capabilities of deep learning. The conclusive evaluation compares the RAPNet with Murty's algorithm and the Gibbs sampler, showing accuracy improvements compared to the Gibbs sampler.
• Abstract（参考訳）: トラックと測定を関連付けることは、自動運転車の安全性を保証するために、MOT(Multi-Object Tracking)において重要なステップである。 指数関数的に増加するトラック仮説を管理するには、トラルンケーションが必要である。 δ$-Generalized Labeled Multi-Bernoulli (δ$-GLMB) フィルタアプリケーションでは、このトランケーションは通常、複雑性と精度の両面で制限のあるマーティのアルゴリズムとギブスサンプリングのアプローチによって解決されたランク付けされた代入問題に関係している。 本稿では,これらの制限を改善すべく,グラフニューラルネットワーク(GNN)を用いた手法を用いて,データアソシエーションタスクから生じるランク付け課題に対処する。 提案するランク付けアサインメント予測グラフニューラルネットワーク(RAPNet)では,二部グラフを用いて問題をモデル化し,ディープラーニングの計算能力を活用する。 決定的な評価は、RAPNetとMurtyのアルゴリズムとGibbsサンプルラを比較し、Gibbsサンプルラと比較して精度が向上したことを示している。

関連論文リスト

• Graph Convolutional Branch and Bound [1.8966938152549224]
  本稿では、ニューラルネットワークを用いて情報量(特に最適性スコア)を学習し、最適解の近さを推定する。 このスコアは、ブランチとバウンドのフレームワーク内のノードを評価するために使用され、ソリューション空間をより効率的にすることができる。
  論文  参考訳（メタデータ） (2024-06-05T09:42:43Z)
• Subgraph Matching via Query-Conditioned Subgraph Matching Neural Networks and Bi-Level Tree Search [33.9052190473029]
  サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。 本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。 5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-21T04:47:21Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• GLAN: A Graph-based Linear Assignment Network [29.788755291070462]
  深層グラフネットワークに基づく学習可能な線形代入問題の解法を提案する。 合成データセットによる実験結果から,本手法は最先端のベースラインよりも優れていることがわかった。 また,提案手法を一般的なマルチオブジェクトトラッキング(MOT)フレームワークに組み込んで,エンド・ツー・エンドでトラッカーをトレーニングする。
  論文  参考訳（メタデータ） (2022-01-05T13:18:02Z)
• Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
  勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。 また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
  論文  参考訳（メタデータ） (2021-11-03T15:14:20Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。