HyperAIHyperAI
il y a 15 jours

Au-delà des filtres de Kalman : filtres fondés sur l’apprentissage profond pour un suivi d’objets amélioré

Momir Adžemović, Predrag Tadić, Andrija Petrović, Mladen Nikolić
Au-delà des filtres de Kalman : filtres fondés sur l’apprentissage profond pour un suivi d’objets amélioré
Résumé

Les systèmes traditionnels de suivi par détection utilisent généralement des filtres de Kalman (KF) pour l'estimation d'état. Toutefois, le filtre de Kalman nécessite des choix de conception spécifiques au domaine et se révèle mal adapté à la modélisation de mouvements non linéaires. Pour surmonter ces limitations, nous proposons deux méthodes innovantes de filtrage fondées sur les données. Notre première méthode met en œuvre un filtre bayésien doté d’un modèle de mouvement entraînable afin de prédire la localisation future d’un objet, et combine ces prédictions avec les observations issues d’un détecteur d’objets pour améliorer la précision de la prédiction des boîtes englobantes. De plus, elle élimine la plupart des choix de conception spécifiques au domaine propres au filtre de Kalman. La deuxième méthode, un filtre entièrement entraînable en bout à bout, va plus loin en apprenant à corriger les erreurs du détecteur, réduisant ainsi encore davantage la dépendance aux connaissances expertes. Par ailleurs, nous introduisons une variété d’architectures de modèles de mouvement basées sur des réseaux de neurones récurrents, des équations différentielles ordinaires neuronales et des processus neuronaux conditionnels, qui sont intégrées aux méthodes de filtrage proposées. Une évaluation étendue sur plusieurs jeux de données démontre que nos filtres proposés surpassent le KF traditionnel dans le suivi d’objets, en particulier dans les cas de mouvements non linéaires — le cas d’usage pour lequel nos filtres sont le mieux adaptés. Nous menons également une analyse de robustesse face au bruit, avec des résultats positifs convaincants. En outre, nous proposons une nouvelle fonction de coût pour l’association des observations aux trajectoires. Notre suiveur, qui intègre cette nouvelle fonction de coût avec nos filtres proposés, obtient de meilleurs résultats que la méthode conventionnelle SORT ainsi que d’autres suiveurs basés sur le mouvement sur les jeux de données multi-objets riches en mouvement, DanceTrack et SportsMOT, selon plusieurs métriques.

Au-delà des filtres de Kalman : filtres fondés sur l’apprentissage profond pour un suivi d’objets amélioré | Articles de recherche récents | HyperAI