一种实用且数学一致的轨迹集合度量
计算机视觉与模式识别
2020-11-17 v3 系统与控制
最优化与控制
摘要
轨迹集合空间上的度量对计算机视觉、机器学习、机器人和通用人工智能领域的科学家十分重要。然而，现有的轨迹集合间接近性概念要么数学上不一致，要么实用性有限。本文中，我们概述了当前基于OSPA (Schuhmacher et al. 2008)的数学一致度量的局限性；以及实践中使用的启发式接近性概念的不一致性，其后者的核心思想与计算机视觉中广泛使用的CLEAR MOT度量(Keni and Rainer 2008)相通。然后我们分两步提出一种轨迹集合间新的直观度量，并解决这些局限。首先，我们解释一个导致难以计算度量的解法。接着我们修改该公式以获得易于计算的度量，同时保留前一度量的有用性质。我们的接近性概念是首个展示以下三个特征的：该度量1)可快速计算，2)以最优方式纳入轨迹身份的混淆，3)在数学意义上是度量。
引用
@article{arxiv.1601.03094,
title = {A metric for sets of trajectories that is practical and mathematically consistent},
author = {José Bento and Jia Jie Zhu},
journal= {arXiv preprint arXiv:1601.03094},
year = {2020}
}
备注
Submitted to IEEE Transactions on Signal Processing