Multiple Model Multi-Bernoulli Filters for Manoeuvering Targets
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
The cardinality balanced multitarget multi-Bernoulli (CBMeMBer) filter is a recursive, multitarget tracking mechanism based on the random finite set (RFS) theory using the finite set statistics (FISST) framework. It provides an estimate of the number of targets in a given scenario space, along with the most likely locations of those targets. It also provides this estimate without the expensive operation of multidimensional assignment between measurements and target estimates. Unlike other RFS methods, the CBMeMBer filter outputs an estimate of the actual multitarget probability density function. Current implementations include a nonlinear sequential Monte Carlo (SMC) approximation, as well as an analytical Gaussian mixture (GM) solution. A new MeMBer recursion for tracking multiple targets traveling under multiple motion models is introduced. The multiple model CBMeMBer (MM-CBMeMBer) filter presented here uses jump Markov models (JMM) to extend the standard CBMeMBer recursion to allow for multiple target motion models. This extension is implemented using both the SMC- and GM-based CBMeMBer approximations. The recursive prediction and update equations are presented for both implementations. Each multiple model implementation is validated against its respective standard CBMeMBer implementation, as well as against each other. This validation is done using a simulated scenario containing multiple manoeuvering targets. A variety of metrics, including estimate accuracy, model detection capability, and algorithm computational efficiency are used for performance evaluation. The new method is shown to improve results in several metrics with only a minor increase in computational complexity.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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