論文の概要: A Semantic and Occlusion-Aware GM-PHD Filter

• arxiv url: http://arxiv.org/abs/2605.20666v1
• Date: Wed, 20 May 2026 03:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.461136
• Title: A Semantic and Occlusion-Aware GM-PHD Filter
• Title（参考訳）: セマンティック・オクルージョンを考慮したGM-PHDフィルタ
• Authors: Jovan Menezes, Mark Campbell,
• Abstract要約: 提案したセマンティック・オクルージョン・アウェア(S-OA)出生モデルは、オクルージョンの領域を明示的に考慮して用語を定義する。 これにより、フィルタは、新しいオブジェクトが現れる可能性が高い場所を正確に表現できる。 この手法はモンテカルロシミュレーションとKITTIデータセットの実験により評価される。
• 参考スコア（独自算出の注目度）: 1.6686955491488271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a new birth model including semantic information derived from deep learning to create an occlusion-aware Gaussian Mixture Probability Hypothesis Density (GM-PHD) filter. Unlike prior approaches that rely on simplistic or uniform assumptions, the proposed Semantic-Occlusion Aware (S-OA) birth model defines initialization terms by explicitly considering regions of occlusion and by leveraging semantic information about the environment. This enables the filter to accurately represent where new objects are more likely to appear, thereby improving tracking performance in complex and high-density driving scenarios. The method is evaluated through Monte Carlo simulations and experiments on the KITTI dataset. Performance is assessed by measuring the latency between first detection and track initiation, along with the mean absolute cardinality error and the Optimal Subpattern Assignment (OSPA) metric. Results demonstrate that the S-OA birth model reduces initialization delay in occlusion-heavy settings, matching or outperforming the strongest baseline in approximately 70% of cases. A sensitivity analysis of birth model weights is also provided. Overall, the findings underscore the benefits of integrating occlusion reasoning and semantic priors into Bayesian tracking frameworks for autonomous driving.
• Abstract（参考訳）: 本稿では,ディープラーニングから派生した意味情報を含む新しい出生モデルを提案し,GM-PHDフィルタのオクルージョンを考慮した混合確率仮説(GM-PHD)を提案する。 単純化的あるいは均一な仮定に依存する従来のアプローチとは異なり、提案されたセマンティック・オクルージョン・アウェア(S-OA)誕生モデルは、オクルージョンの領域を明示的に考慮し、環境に関する意味情報を活用することで初期化用語を定義する。 これにより、フィルタは、新しいオブジェクトが出現しやすい場所を正確に表現し、複雑で高密度な運転シナリオにおけるトラッキング性能を改善することができる。 この手法はモンテカルロシミュレーションとKITTIデータセットの実験により評価される。 平均絶対濃度誤差とOSPA(Optimal Subpattern Assignment)測定値とともに、最初の検出とトラック開始の間の遅延を測定することで、性能を評価する。 以上の結果から,S-OA出生モデルでは咬合重度設定の初期化遅延が減少し,約70%の症例で最強の基準線が一致または上回ったことが示唆された。 出生モデル重量の感度解析も提供する。 全体として、この結果は、排他的推論とセマンティック先行を自動走行のためのベイズ追跡フレームワークに統合する利点を浮き彫りにしている。

関連論文リスト

• PDAC: Efficient Coreset Selection for Continual Learning via Probability Density Awareness [19.191960069245354]
  リハーサルベースの連続学習(CL)は、知識保持のためのリプレイサンプルを保存するために、限られたメモリバッファを保持する。 現在のリハーサルベースのCLメソッドは、通常、代表サブセットを選択してメモリバッファを構成する。 本稿では,各試料の接合密度を推定する確率密度認識コアセット(PDAC)法を提案する。
  論文  参考訳（メタデータ） (2025-11-12T17:00:21Z)
• Deterministic Coreset Construction via Adaptive Sensitivity Trimming [0.2864713389096699]
  実証的リスク最小化のための決定論的コアセット構築のためのフレームワークを開発する。 我々の中心的な貢献は、適応決定論的一様重みトリミング(ADUWT)アルゴリズムである。 我々は,インスタンス最適オラクル,決定論的ストリーミング,公平性に制約されたEMMについて,オープンな問題で結論付けた。
  論文  参考訳（メタデータ） (2025-08-25T17:19:13Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• CMU-Flownet: Exploring Point Cloud Scene Flow Estimation in Occluded Scenario [10.852258389804984]
  閉塞はLiDARデータにおける点雲フレームのアライメントを妨げるが、シーンフローモデルでは不十分な課題である。 本稿では,CMU-Flownet(Relational Matrix Upsampling Flownet)を提案する。 CMU-Flownetは、隠されたFlyingthings3DとKITTYデータセットの領域内で、最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-04-16T13:47:21Z)
• Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
  ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。 両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。 転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-10-10T10:48:52Z)
• Bayes-optimal limits in structured PCA, and how to reach them [21.3083877172595]
  本研究では,主成分分析(PCA)のパラダイム行列モデルについて検討し,次数1の行列が付加雑音によって劣化することを示した。 このモデルにおいて、ベイズ-最適推論の極限を初めて特徴づける。 本稿では、適応的Thouless-Anderson-Palmer方程式の理論に着想を得た、新しい近似メッセージパッシングアルゴリズム(AMP)を提案する。
  論文  参考訳（メタデータ） (2022-10-03T21:31:41Z)
• Fine-grained Retrieval Prompt Tuning [149.9071858259279]
  微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。 学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-29T04:10:04Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Risk Aware Optimization of Water Sensor Placement [0.0]
  センサ毎のデータ構造(時間的ヒートマップの集合)収集シミュレーションを提案する。 我々は問題固有の収束問題を検出する指標を特定する。 ベンチマークと実世界ネットワークの結果を提示します。
  論文  参考訳（メタデータ） (2021-03-08T16:12:02Z)

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。