Two-level automatic multiple target joint tracking and classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Target classification is of great importance for modern tracking systems. The classification results could be fed back to the tracker to improve tracking performance. Also, classification results can be applied for target identification, which is useful in both civil and military applications. While some work has been done on Joint Tracking and Classification (JTC), which can enhance tracking results and make target identification feasible, a common assumption is that the statistical description of classes is predefined or known a prior. This is not true in general. In this paper, two automatic multiple target classification algorithms, which can automatically classify targets without prior information, are proposed. The algorithms learn the class description from the target behavior history. The input to the algorithm is the noisy target state estimate, which in turn depends on target class. Thus, class description is learnt from the target behavior history rather than being predefined. This motivates the proposed two-level tracking and classification formulation for automatic multiple target classification. The first level consists of common tracking algorithm such as the Joint Probability Data Association (JPDA), the Multiple Hypothesis Tracking (MHT) or the Probability Hypothesis Density (PHD) filter. In the second level, a Mean-Shift (MS) classifier and a PHD classifier are applied to learn the class descriptions respectively based on the state estimations from the first level tracker. The proposed algorithms only require the kinematic measurements from common radar. However, feature information can be easily integrated. Besides theoretical derivations, extensive experiments based on both simulated and real data are performed to verify the efficiency of the proposed technique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle