GPU-GLMB：评估 GPU 加速多假设跟踪的可扩展性
计算机视觉与模式识别
2025-12-09 v1
摘要
多目标跟踪领域近期研究聚焦于利用随机有限集的多假设方法。尤其值得关注的是保持每个对象 temporally 一致标签的标记随机有限集方法。尽管这些方法拥有重要的理论属性作为多目标贝叶斯滤波的闭形式解，但在标准测量模型下维持多个假设的维护计算开销巨大，即便应用了假设修剪近似。本文聚焦于广义标记多伯利利 (GLMB) 滤波器作为这类方法的一个例子。我们研究了一种允许单个传感器来自多个探测的变体，这是部署基于机器学习的虚拟传感器分布式网络跟踪时的关键能力。我们表明，这会在标准 GLMB 滤波器的滤波更新中打破探测之间的依赖关系，允许显著改进的并行可扩展性，从而在 GPU 硬件上实现高效部署。我们报告了 GPU 加速实现我们提议的 GLMB 跟踪器的初步分析结果，重点关注随对象数量和最大保留假设数而产生的运行时间可扩展性。
引用
@article{arxiv.2512.06230,
title = {GPU-GLMB: Assessing the Scalability of GPU-Accelerated Multi-Hypothesis Tracking},
author = {Pranav Balakrishnan and Sidisha Barik and Sean M. O'Rourke and Benjamin M. Marlin},
journal= {arXiv preprint arXiv:2512.06230},
year = {2025}
}