[논문 리뷰] Inference for multiple object tracking: A Bayesian nonparametric approach

Bahman Moraffah|arXiv (Cornell University)|2019. 09. 16.

Bayesian Methods and Mixture Models참고 문헌 50인용 수 9

한 줄 요약

이 논문은 시간에 따라 변화하는 객체 상태를 모델링하기 위해 종속 디리클레 과 두 파라미터 푸아송-디리클레 과정을 사용하는 베이지안 비모수 프레임워크를 제안한다. 이는 노이즈와 혼잡함 상황에서도 객체의 수와 레이블링, 궤적을 견고하게 추정할 수 있도록 한다. 이 방법은 마르코프 체인 몬테카를로 추론을 활용하여 최적의 수렴 속도를 달성하며, 기존의 RFS 기반 트래커보다 정확도와 계산 효율성에서 뛰어나다.

ABSTRACT

In recent years, multi object tracking (MOT) problem has drawn attention to it and has been studied in various research areas. However, some of the challenging problems including time dependent cardinality, unordered measurement set, and object labeling remain unclear. In this paper, we propose robust nonparametric methods to model the state prior for MOT problem. These models are shown to be more flexible and robust compared to existing methods. In particular, the overall approach estimates time dependent object cardinality, provides object labeling, and identifies object associated measurements. Moreover, our proposed framework dynamically contends with the birth/death and survival of the objects through dependent nonparametric processes. We present Inference algorithms that demonstrate the utility of the dependent nonparametric models for tracking. We employ Monte Carlo sampling methods to demonstrate the proposed algorithms efficiently learn the trajectory of objects from noisy measurements. The computational results display the performance of the proposed algorithms and comparison not only between one another, but also between proposed algorithms and labeled multi Bernoulli tracker.

연구 동기 및 목표

• 모르고 시간에 따라 변화하는 객체 수, 순서가 없는 측정값, 객체 레이블링 등의 지속적인 과제를 해결한다.
• 고정된 객체 수를 가정하지 않고 시간에 따라 변화하는 객체 상태의 전체 시간적 의존성을 포괄하는 유연한 비모수 프레임워크를 개발한다.
• 비모수적 확률적 과정을 통해 상태 분포를 모델링하여 자동 객체 레이블링과 정확한 궤적 추정을 가능하게 한다.
• 약한 정규성 조건 하에서 통계적 일致성과 최소 최대 수렴 속도(최소최대 속도)를 확보한다.
• 기존의 레이블러드 다중 베르누이 및 RFS 기반 트래커보다 뛰어난 성능을 보이는 계산 효율적인 MCMC 추론 알고리즘을 설계한다.

제안 방법

• 시간에 따라 변화하는 객체 상태 분포에 대해 종속 디리클레 과정(DDP)과 두 파라미터 푸아송-디리클레 과정(PYP)을 비모수적 사전분포로 사용한다.
• 시간에 따라 변화하는 비모수적 과정을 통해 객체의 출현/소멸과 생존을 모델링하여 객체 수를 자동으로 학습한다.
• 객체 상태, 레이블, 궤적의 사후분포에서 샘플링하기 위해 마르코프 체인 몬테카를로(MCMC) 추론 기법을 활용한다.
• 반복 기대의 법칙과 베이지안 업데이트를 통해 조건부 예측 분포와 사후 업데이트를 통합한다.
• 기저 측도가 시간에 따라 변화하는 시간에 따라 변화하는 혼합 모델을 구성하여 디리클레 및 PYP 과정과의 마진 일致성을 확보한다.
• 클러스터 할당과 상태 생성을 위한 시간 의존적 스틱 브레이킹 과정을 모델링하기 위해 폴리아 우산 기법을 사용한다.

실험 결과

연구 질문

• RQ1 비모수적 베이지안 모델이 고정된 객체 수를 가정하지 않고 시간에 따라 변화하는 객체 수를 효과적으로 추정할 수 있는가?
• RQ2 노이즈와 혼잡한 관측 조건 하에서 객체 레이블링과 측정값 연동을 동시에 견고하고 일관되게 추론할 수 있는가?
• RQ3 의존 비모수적 사전분포가 객체 상태의 전체 시간적 의존성을 포괄하면서도 계산 가능성을 유지할 수 있는가?
• RQ4 제안된 MCMC 추론 방법이 객체 트래킹에서 최소최대 최적 수렴 속도를 달성하는가?
• RQ5 제안된 프레임워크는 레이블러드 다중 베르누이 및 표준 RFS 기반 트래커와 비교해 성능과 효율성 면에서 어떻게 다른가?

주요 결과

• 제안된 모델는 약한 정규성 조건 하에서 최소최대 최적 수렴 속도를 달성하여 통계적 최적성을 보여준다.
• MCMC 추론 알고리즘이 사후분포에 대해 비가역적, 비주기적, 불변성을 확보하여 진짜 사후분포로 수렴함을 보장한다.
• 높은 노이즈와 혼잡함 상황에서도 객체 수, 레이블, 궤적을 높은 정확도로 추정하는 데 성공한다.
• 추적 정확도와 계산 효율성 면에서 레이블러드 다중 베르누이 트래커를 모두 뛰어넘는다.
• 의존 비모수적 과정의 사용으로 객체의 출현과 소멸에 동적으로 적응할 수 있으며, 사전에 객체 수에 대한 지식이 필요로 하지 않는다.
• 모델는 마진으로 잘 정의되어 있어 시간 단위 간에 사전분포가 유효하고 일관성을 유지함을 보장한다.