超越卡尔曼滤波：基于深度学习的滤波器改进的物体追踪
我们介绍了 DeepMoveSORT，这是一个专门设计用于动态和非线性运动模式场景的多目标跟踪器。通过使用可学习的深度滤波器和一系列新提出的启发式方法，我们改善了基于运动的关联方法，从而提高了关联性能，并在三个具有非线性运动的数据集上超过了现有跟踪器的最新结果。我们的研究表明，使用可学习的滤波器代替 Kalman 滤波器，并结合基于外观的关联是实现强大的通用跟踪性能的关键。
Jun, 2024
Kalman filters are widely used for estimating hidden variables and their application in neural decoding is explored in this paper, presenting a new version that leverages Bayes' theorem for improved filter performance. The paper provides an open-source Python alternative to the authors' MATLAB algorithm, and the efficacy of the new filter is examined in neuroscientific contexts using multiple random seeds and previously unused trials from the authors' dataset.
Jan, 2024
本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法，其仅需要进行加权预测误差的局部计算，同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能，并提出了一种神经实现方法。
Feb, 2021
本文研究了多目标跟踪领域中使用 Kalman 滤波器的传统方法在面对复杂非线性运动和遮挡等动态环境中的局限性，并探讨了替代 Kalman 滤波器的各种基于学习的运动模型。我们提出了一种名为 MambaTrack 的在线基于运动的跟踪器，它在挑战性的 DanceTrack 和 SportsMOT 数据集上优于所有现有的基于运动的跟踪器。此外，我们进一步利用状态空间模型在轨迹特征提取中的潜力，提出了一种名为 MambaTrack + 的跟踪器，在 DanceTrack 数据集上达到 56.1 HOTA 和 54.9 IDF1 的最新性能。
Mar, 2024
连续时间的深度卡尔曼滤波器 (DKF) 可以近似实现一类非马尔可夫和条件高斯信号过程的条件概率分布，适用于数学金融中的债券和期权价格模型校准等传统基于模型的过滤问题。
Oct, 2023
该论文提出了一种使用时间生成模型进行反事实推断的方法，利用统一算法高效地学习广谱卡尔曼滤波器，其中还引入了 “Healing MNIST” 数据集用于建模，并基于 8000 名患者超过 4.5 年的电子病历数据显示了其对反事实推断的有效性。
Nov, 2015
本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。
Aug, 2017
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
本文研究如何改进 Kalman filter 在多目标追踪中的表现，在处理时间比较大的遮挡情况下使用 Observation-Centric SORT 方法才能维护准确度。
Mar, 2022