Feature-Based Multi-Object Tracking With Maximally One Object per Class

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F22%3A43965987" target="_blank" >RIV/49777513:23520/22:43965987 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216208:11140/22:10448579

Výsledek na webu

<a href="https://dx.doi.org/10.23919/FUSION49751.2022.9841332" target="_blank" >https://dx.doi.org/10.23919/FUSION49751.2022.9841332</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.23919/FUSION49751.2022.9841332" target="_blank" >10.23919/FUSION49751.2022.9841332</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Feature-Based Multi-Object Tracking With Maximally One Object per Class

Popis výsledku v původním jazyce

This paper deals with the problem of tracking multiple objects, in which each object is known to belong to a unique class. We follow the tracking by detection paradigm and assume that the object detector provides scores in addition to each detection. The problem is tackled as simultaneous classification and tracking using random finite sets. Inspired by the multi-Bernoulli mixture (MBM) filter, we propose a solution to the problem by modifying the target birth process. To simplify the implementation and to mitigate the computational costs, we develop tractable solutions with linear complexity. The algorithms are subsequently used for visual tracking of surgical instruments. As a by-product, we derive the prediction step of the Bernoulli filter using the probability generating functionals (PGFLs).

Název v anglickém jazyce

Feature-Based Multi-Object Tracking With Maximally One Object per Class

Popis výsledku anglicky

This paper deals with the problem of tracking multiple objects, in which each object is known to belong to a unique class. We follow the tracking by detection paradigm and assume that the object detector provides scores in addition to each detection. The problem is tackled as simultaneous classification and tracking using random finite sets. Inspired by the multi-Bernoulli mixture (MBM) filter, we propose a solution to the problem by modifying the target birth process. To simplify the implementation and to mitigate the computational costs, we develop tractable solutions with linear complexity. The algorithms are subsequently used for visual tracking of surgical instruments. As a by-product, we derive the prediction step of the Bernoulli filter using the probability generating functionals (PGFLs).

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 25th International Conference on Information Fusion, FUSION 2022

ISBN

978-1-73774-972-1

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

1-8

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Linköping, Sweden

Datum konání akce

4. 7. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000855689000104