An Experimental Study on ObjectTracking
Notice bibliographique
Résumé
This thesis investigated the robustness of 3D object-tracking algorithms undersnowy weather conditions, focusing particularly on snowy scenarios affecting au-tonomous vehicle perception systems. The principal objective was to evaluateand compare the performance of four tracking methods: Kalman Filter, ExtendedKalman Filter, Particle Filter, and ByteTrack. Each method was assessed using Li-DAR data obtained from the Canadian Adverse Driving Conditions (CADC) dataset,representing harsh winter conditions, and the nuScenes dataset, representing clear,optimal weather conditions. The methodology involved processing sequential frames of LiDAR data, detected3D bounding boxes, and tracking objects through association and state estima-tion. Standard metrics such as HOTA, IDF1, AMOTA, and AMOTP were used tomeasure tracking accuracy and consistency across both datasets. Results indicatedsignificant performance degradation for all algorithms under snowy weather con-ditions compared to clear weather. The Kalman methods suffered from the linearbehaviorand the noise, while the Particle Filter provided a more robust estimationdue to its ability to cope with the uncertainty via its multiple hypotheses. Deep learning-based solution ByteTrack demonstrated better performance, withbetter accuracy and fewer identity switches inchallenging scenarios. It wasfoundthat deep learning based tracking can provide more solid guarantee on point tra-jectoryThe study concluded that deep learning-based tracking methods offer enhancedreliability for autonomous vehicles in challenging environments.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».