基于可迁移卷积神经网络的多目标跟踪
信号处理
2024-05-15 v4 机器学习
摘要
多目标跟踪 (MTT) 是一项经典的信号处理任务，目标是从含噪传感器量测中估计未知数量运动目标的状态。本文中，我们从深度学习视角重新审视 MTT 并提出一种卷积神经网络 (CNN) 架构来解决它。我们将目标状态和传感器量测表示为图像，并将问题重新表述为图像到图像的预测任务。然后我们在小跟踪区域上训练一个全卷积模型，并将其迁移到具有众多目标和传感器的更大区域。该迁移学习方法实现了大规模 MTT，并且由我们限定泛化误差的新分析提供了理论支持。在实践中，所提出的可迁移 CNN 架构在含 10 个目标的 MTT 任务上优于随机有限集滤波器，并在不重新训练的情况下迁移到含 250 个目标的更大 MTT 任务，性能提升 29%。
引用
@article{arxiv.2210.15539,
title = {Multi-Target Tracking with Transferable Convolutional Neural Networks},
author = {Damian Owerko and Charilaos I. Kanatsoulis and Jennifer Bondarchuk and Donald J. Bucci and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2210.15539},
year = {2024}
}
备注
5 pages, 3 figures; submitted to Proc. CAMSAP2023, December 10-13, 2023, Los Sue\~nos, Costa Rica; Associated code is available at https://github.com/Damowerko/mtt