基于深度的物体跟踪:使用鲁棒高斯滤波器
本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化,用于处理三维空间中多个移动物体的跟踪问题,并展示了在 KITTI 跟踪数据集上实验的表现。
Aug, 2020
我们提出了两种创新的数据驱动滤波方法,通过结合可训练的运动模型进行对象位置预测,并将观察结果与对象检测器的预测相结合,以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估,证明在对象跟踪方面,尤其是非线性运动模式的情况下,我们的滤波器优于传统的 Kalman 滤波器。
Feb, 2024
本篇研究提出了一种基于概率滤波方法的实时、精确估算机器人末端执行器的相机坐标系下位置的方法,并且避免了在与视觉目标的跟踪方法组合时需要进行帧变换的问题。通过建模和纠正测量误差和机器人模型不准确性,在卡尔曼滤波测量的基础上进行基于坐标粒子滤波的异步深度图像更新,使搜索所需的计算量更少。作者在真实机器人平台上进行了定量评估,并通过开放源代码的方式公开了数据集和算法,以便与其他方法进行比较。
Oct, 2016
本文提出了一种新颖的在线多物体视觉跟踪器,它使用高斯混合概率假设密度 (GM-PHD) 滤波器和深度外观学习,并在数据关联后继续采用未分配轨迹预测以克服 GM-PHD 滤波器对遮挡引起的漏检敏感性,其在 MOT16,MOT17 和 HiEve 基准数据集上表现优于现有几种现有的跟踪器。
Dec, 2019
通过使用直方图滤波器(贝叶斯离散滤波器)来评估番茄在番茄植物中的位置,本研究针对农业中的任务,如水果监控或收割,需要感知物体的空间位置。通过模拟实验和实验室条件下的测试,该算法在模拟实验中的平均绝对误差小于 10 毫米,在实验室条件下的测试中的平均绝对误差小于 20 毫米,结果可行于真实环境并应在更近的距离下改进。
Oct, 2023
本文对视觉物体跟踪算法的最新趋势和进展进行了广泛的综述,评估了在噪声存在的情况下跟踪器的鲁棒性。我们发现,没有任何一种算法在噪声存在的情况下能够与无噪声条件下的效率相同,因此需要在评估新提出的跟踪算法时包含一个鲁棒性参数。
Feb, 2018
提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法,用于非线性随机动态系统的系统识别和控制。在机器学习,机器人和控制领域,这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明,所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。
Mar, 2012
在存在异常值和误设测量模型的状态空间模型的在线滤波中,我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法(如扩展和集成卡尔曼滤波器)相结合,其中前者用于展示鲁棒性,后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题(如物体跟踪、高维混沌系统的状态估计和在线神经网络学习)中,我们在更低的计算成本下与其他鲁棒滤波方法(如基于变分贝叶斯的方法)相匹配或表现更好。
May, 2024
本文提出了一种新颖的基于生成对抗网络(GAN)的深度滤波器,其与全局跳跃连接和密集结构相集成,以解决由于相机和物体之间的相对运动引起的运动模糊问题。在不需要进行模糊核估计的情况下,我们的模型显著减少了测试时间,证明了该方法在定量和定性上均胜过现有的盲去模糊算法,具有实际应用前景。
Sep, 2017
利用深度学习,我们提出了一种基于时间的 6 自由度跟踪方法,可在具有挑战性的真实世界数据集中实现最先进的性能,具有比现有最佳方法更准确、更鲁棒的抗遮挡性能,同时保持实时性能。在评估其效力时,我们在几个具有挑战性的 RGBD 序列上进行了评估,并通过一系列对象逐渐被遮挡的序列系统地评估了对遮挡的鲁棒性。最后,我们的方法完全是数据驱动的,不需要任何手动设计的特征:鲁棒跟踪是自动从数据中学习的。
Mar, 2017