Neuronové sítě v problematice vícecílového sledování

Abstract

Tato práce se zabývá přístupem založeným na strojovém učení ke sledování více cílů (MTT) v prostředí se šumem. Představuje Joint Liquid Filter (JLF), model založený na neuronových sítích, inspirovaný principy bayesovské filtrace, který se skládá ze tří kroků: (1) predikce pomocí Liquid Time-Constant (LTC), (2) diferenciovatelného přiřazování měření pomocí Sinkhornovy iterace a (3) korekce s využitím Long Short-Term Memory (LSTM). Model je trénován end-to-end a testován na syntetických scénářích sledování. Ve srovnání s reprezentativním datově řízeným modelem a Joint Probabilistic Data Association (JPDA) filtrem dosahuje JLF lepších výsledků v široké škále podmínek.

This thesis investigates a learning-based approach to multi-target tracking (MTT) in cluttered environments. It introduces the Joint Liquid Filter (JLF), a neural networkbased model inspired by Bayesian filtering principles, consisting of three stages: (1) prediction using Liquid Time-Constant (LTC), (2) differentiable measurement association via Sinkhorn iteration, and (3) correction using Long Short-Term Memory (LSTM). The model is trained end-to-end and evaluated on synthetic tracking scenarios. Performance is compared with a representative data-driven baseline and the Joint Probabilistic Data Association (JPDA) filter, demonstrating improved results across a range of conditions.