仅编码当前测量，CNSF跟踪精度提升30%，推理快3.76倍！
Causal neural set filtering for online multi-target tracking
📖 AI 总结
本文提出因果神经集合滤波（CNSF），用于在线多目标跟踪。针对现有基于Transformer的MT3/Track-MT3类跟踪器反复重编码测量窗口、计算冗余的问题，CNSF仅编码当前测量，并通过结构化递归轨迹状态携带历史证据。其核心机制包括排他性Sinkhorn关联、关联条件化的卡尔曼式更新与矩匹配，以及带测量驱动出生的递归伯努利生命周期建模，从而施加软一对一约束、传播关联引发的不确定性，并支持漏检与出生—死亡转换下的存在性估计。在三类场景的模拟测试集上，CNSF相较Track-MT3将平均GOSPA和T-GOSPA分别降低19.3%和30.4%，参数量减少55.9%，单线程CPU推理提速3.76倍。该工作为在线多目标跟踪提供了一种更高效、更准确的递归滤波范式。
🔑 关键词速览
| Causal Neural Set Filtering (CNSF) | 一种因果神经集合滤波方法，仅编码当前测量并通过递归轨迹状态携带历史证据，用于多目标跟踪。 |
| Sinkhorn association | 一种基于Sinkhorn算法的数据关联方法，通过软分配实现测量与轨迹之间的排他性匹配。 |
| GOSPA | 广义最优子模式分配度量，用于评估多目标跟踪性能，综合考虑定位误差、漏检和虚警。 |
| Bernoulli lifecycle modeling | 递归伯努利生命周期建模，用于估计目标的存在概率并处理目标的出生和死亡。 |
| Track-MT3 | 一种基于Transformer的多目标跟踪基线方法，联合学习数据关联和状态估计。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅