MissFormer：基于（非）注意力的缺失观测处理用于轨迹滤波与预测
计算机视觉与模式识别
2021-12-03 v4
摘要
在目标跟踪等应用中，时间序列数据不可避免地带有缺失观测。随着基于深度学习的模型在各种序列学习任务中取得成功，这些模型正日益取代经典方法，用于推断目标运动状态。传统跟踪方法可处理缺失观测，而多数深度模型默认并不具备此能力。为此，本文提出一种基于 transformer 的方法，用于处理变长输入轨迹数据中的缺失观测。该模型通过逐步提升所需推断任务的复杂度间接构建。从复现无噪声轨迹出发，模型继而学习从含噪输入推断轨迹。通过提供缺失令牌（二值编码的缺失事件），模型学会对非缺失数据加以注意力并基于其余输入推断完整轨迹。在连续缺失事件序列的情况下，模型则充当纯预测模型。该方法的能力在反映典型目标跟踪场景的合成数据与真实数据上得到验证。
引用
@article{arxiv.2106.16009,
title = {MissFormer: (In-)attention-based handling of missing observations for trajectory filtering and prediction},
author = {Stefan Becker and Ronny Hug and Wolfgang Hübner and Michael Arens and Brendan T. Morris},
journal= {arXiv preprint arXiv:2106.16009},
year = {2021}
}
备注
Accepted at the International Symposium on Visual Computing (ISVC) 2021