SUBOPTIMAL DATA ASSOCIATION TECHNIQUE FOR MULTIPLE-TARGET TRACKING IN DENSE CLUTTER ENVIRONMENT
Notice bibliographique
Résumé
In multiple target tracking (MTT) systems that track targets with less-than-unity probabilityof detection in the presence of false alarms (FA), data association is very important. Dataassociation is responsible for deciding which of the received multiple measurements shouldupdate which track. Some data association techniques use a unique pairing to update a track;i.e. at most one observation is used to update a track. An alternative approach is to use all ofthe validated measurements with different weights (probabilities), known as probabilistic dataassociation (PDA). Due to the increase in the FA rate or low probability of target detection,most of the data association algorithms begin to fail. In this paper, we introduce a newsuboptimal PDA technique for MTT in dense clutter environment. The proposed technique isbased on merging the probabilistic nearest-neighbor filter (PNNF) with the PDA algorithm.The main idea is based on high-weighting the measurements that has minimum statisticaldistance from the predicted position of the target. The state updating equation in Kalman filteruses the combined innovation as in Joint Probabilistic Data Association method which isdefined as the weighted sum of the residuals associated with many observations. Due to itssimplicity in calculations and robustness, this technique can be used for real-time applicationseven though in dense clutter environments. We applied the proposed algorithm in trackingmultiple targets in presence of various clutter densities. Results showed better performancewhen compared to Nearest-Neighbor and All-Neighbors approaches in different clutterdensities and noise measurements.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».