卡尔曼虑波＋目标检测创新结合，新作正确率突破100%!
一个有前景且好发论文的方向:卡尔曼滤波＋目标检测!
这种创新结合，得到学术界的广泛认可，多篇效果陆续登上顶会顶刊。例如无人机竞速系统 Swift，登上nature,实现冠军级别的无人机竞速。目标检测是机器学习的重要分支，但会受到参数不确定性标题的影响，卡尔曼滤波作为一种高效的递归滤波器，能很好处理带有噪声的数据。两者结合，可以充实发挥各自的优势，达到互补的效果!
我整理了一些时间序列【论文+代码】合集
     整理出了相关的论文+开源代码，以下是精选部分论文
论文1
标题：
Automatic Labeling to Generate Training Data for Online LiDAR-based Moving Object Segmentation

主动标志以生成在线激光雷达移动目标分割的练习数据

方法：

•         激光雷达里程估计：利用SuMa方法估计每个激光雷达扫描的位姿，为后续处理提供根本。
  
•         粗动态目标移除：利用ERASOR方法，通过比较转换后的点云与聚合舆图之间的差异，检测大概的动态目标。
  
•         类别无关实例分割：利用HDBSCAN算法对检测到的动态目标进行聚类，生成目标实例。
  
•         多目标跟踪：应用基于扩展卡尔曼滤波器的多目标跟踪方法，通过计算目标实例之间的相似度来关联轨迹，并根据轨迹确定目标的运动状态。
  
•         神经网络练习：利用主动生成的标签练习LiDAR-MOS网络LMNet，以实如今线移动目标分割。
  

创新点：

•         主动数据标注：提出了一种主动标注激光雷达数据的新方法，能够有效减少手动标注的工作量，提高标注效率。
  
•         动态目标检测：通过结合激光雷达里程估计和粗动态目标移除技术，正确检测出动态目标，为后续的实例分割和跟踪提供了可靠的根本。
  
•         性能提升：与手动标注数据练习的网络相比，利用主动生成的标签练习的LMNet网络在移动目标分割任务上表现出了相似乃至更好的性能，特别是在利用额外主动生成数据进行练习时，性能提升更为显著。例如，在KITTI数据集上，利用主动生成标签练习的LMNet网络在IoU指标上达到了54.3，与手动标注练习的网络（58.3）靠近，而在利用额外数据后，性能提升到62.3。
  
•         泛化本领：该方法在多个不怜悯况和传感器的数据集上进行了验证，表现出良好的泛化本领，能够生成适用于不同场景的练习数据。
  

论文2
标题：
Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking
以观测为中心的SORT：重新思考SORT以实现鲁棒的多目标跟踪
方法：

•         观测中心重更新（ORU）：当目标在被跟踪期间丢失后重新被检测到时，通过生成假造轨迹来纠正卡尔曼滤波器参数的累积误差。
  
•         观测中心动量（OCM）：在关联阶段引入运动方向一致性，通过观测数据计算目标的运动方向，减少方向估计的噪声。
  
•         卡尔曼滤波器改进：在尺度卡尔曼滤波器的根本上，通过ORU和OCM改进了对目标运动的估计，提高了在遮挡和非线性运动情况下的跟踪性能。
  

创新点： 

•         鲁棒性提升：通过ORU和OCM的改进，OC-SORT在处理遮挡和非线性运动时的鲁棒性得到了显著提升。例如，在DanceTrack数据集上，OC-SORT的HOTA指标达到了54.6，相比SORT的47.9有显著提高。
  
•         及时性能：OC-SORT保持了及时性，能够在单个CPU上以700+ FPS的速率运行，适用于在线多目标跟踪任务。
  
•         性能提升：在多个数据集上，OC-SORT均取得了SOTA（State-of-the-Art）性能。例如，在MOT20数据集上，OC-SORT的HOTA指标达到了62.1，相比其他方法有显著提升。
  
•         简朴易用：OC-SORT在保持高性能的同时，仍然保持了简朴、在线和及时的特点，易于实现和部署。
  

论文3
标题：
Parametric and Multivariate Uncertainty Calibration for Regression and Object Detection
回归和目标检测中的参数化和多变量不确定性校准

方法：

•         高斯过程校准框架扩展：将高斯过程校准框架扩展到利用参数化概率分布（如高斯或柯西分布）作为校准输出。
  
•         团结回归校准：提出了一种团结校准多维回归任务的方法，能够捕获不同维度之间的相关性。
  
•         协方差估计：通过引入协方差估计方案，能够对独立学习的分布进行后处理，引入条件相关性。
  
•         量化校准误差：提出了一种基于马氏距离的量化校准误差（QCE）度量方法，用于评估多变量和大概相关数据的团结校准。
  

创新点：

•         参数化输出：与现有的非参数化校准方法相比，提出的GP-Normal和GP-Cauchy方法能够提供参数化概率分布，便于后续处理，如卡尔曼滤波。
  
•         多变量校准：首次提出了一种能够团结校准多维回归任务的方法，能够捕获不同维度之间的相关性，提高了不确定性表现的正确性。
  
•         性能提升：实验表明，GP-Normal方法在方差校准方面取得了最佳效果，特别是在需要正态分布作为输出的应用中。例如，在MS COCO数据集上，GP-Normal方法的NLL指标为3.554，相比未校准的4.052有显著降低。
  
•         校准度量改进：提出的QCE度量方法能够更正确地评估多变量数据的校准性能，为不确定性校准提供了新的评估工具。
  

 

论文4
标题：
Probabilistic 3D Multi-Object Cooperative Tracking for Autonomous Driving via Differentiable Multi-Sensor Kalman Filter

通过可微多传感器卡尔曼滤波器实现主动驾驶中的概率3D多目标协同跟踪

方法：

•         可微多传感器卡尔曼滤波器：提出了一个可微多传感器卡尔曼滤波器，用于估计每个检测的观测噪声协方差，以更好地利用卡尔曼滤波器的理论最优性。
  

•         局部BEV特征和位置特征：利用局部鸟瞰图（BEV）特征和位置特征作为输入，通过神经网络学习每个检测的观测噪声协方差。
  
•         多数据关联和更新步调：通过多个数据关联和卡尔曼滤波器更新步调，将来自不同车辆的检测信息融合，生成最终的协同跟踪效果。
  

 

创新点：

•         跟踪精度提升：与V2V4Real数据集中的现有方法相比，DMSTrack算法在跟踪精度上取得了显著提升。例如，在AMOTA指标上，DMSTrack达到了43.52，相比CoBEVT的32.12有17%的相对提升。
  
•         通信成本降低：DMSTrack算法的通信成本仅为CoBEVT方法的0.037倍，显著降低了数据传输需求。
  
•         观测噪声协方差估计：通过学习每个检测的观测噪声协方差，更好地利用了卡尔曼滤波器的理论最优性，提高了跟踪性能。
  
•         多目标跟踪本领：扩展了单目标跟踪的多传感器卡尔曼滤波器，使其具备多目标跟踪本领，适用于复杂的主动驾驶场景
  

 

 

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。