[論文レビュー] Inference for multiple object tracking: A Bayesian nonparametric approach

Bahman Moraffah|arXiv (Cornell University)|Sep 16, 2019

Bayesian Methods and Mixture Models参考文献 50被引用数 9

ひとこと要約

本稿では、時間変動するオブジェクト状態をモデル化するために従属ディリクレ過程および2パラメータのポアソン-ディリクレ過程を用いたベイジアン非パラメトリック枠組みを提案する。この手法により、ノイズやゴミダミング下でもオブジェクトの個数推定、ラベリング、トラジェクトリの推定がロバストに可能となる。同手法はマルコフ連鎖モンテカルロ推論を採用し、最適な収束速度を達成し、既存のRFSベースのトラッカーと比較して精度および計算効率に優れる。

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.

研究の動機と目的

• 未知かつ時間変動するオブジェクト数、順序のない測定値、オブジェクトラベリングといった、マルチオブジェクトトラッキング（MOT）における継続的な課題に対処する。
• 固定されたオブジェクト数を仮定しない、柔軟で非パラメトリックな枠組みを構築し、オブジェクト状態の完全な時系列的依存関係を捉える。
• 状態分布を従属確率過程でモデル化することで、オブジェクトラベリングの自動化と高精度なトラジェクトリ推定を実現する。
• やや弱い正則性条件の下で統計的整合性と最小最大収束速度（ミニマックスレート）を保証する。
• 既存のラベル付きマルチ・ベルヌーイおよびRFSベースのトラッカーを凌駆する計算効率の高いMCMC推論アルゴリズムを設計する。

提案手法

• 時間変動するオブジェクト状態分布に対する非パラメトリック事前分布として、従属ディリクレ過程（DDP）および2パラメータのポアソン-ディリクレ過程（PYP）を用いる。
• オブジェクトの誕生・消滅と生存を、時間に依存する非パラメトリック過程によってモデル化し、オブジェクト数を時間とともに適応的に学習する。
• オブジェクト状態、ラベル、トラジェクトリの事後分布からのサンプリングを実現するため、マルコフ連鎖モンテカルロ（MCMC）推論スキームを採用する。
• 反復期待値の法則とベイズ更新を用いて、条件付き予測分布および事後更新を統合する。
• ベース測度が時間とともに変化する時変混合モデルを構築し、ディリクレおよびPYP過程との周辺的整合性を保証する。
• クラスタの割り当てと状態生成のための時間依存的スティック・ブレイキング過程を、ポーラ・アーヌスキームを用いてモデル化する。

実験結果

リサーチクエスチョン

• RQ1 固定されたオブジェクト数を仮定しない非パラメトリックベイジアンモデルは、時間変動するオブジェクト個数を効果的に推定できるか？
• RQ2 ノイズやゴミダミング下でも、オブジェクトラベリングと測定値の関連付けを統合的にロバストかつ整合的に推論できるか？
• RQ3 従属非パラメトリック事前分布は、オブジェクト状態の完全な時系列的依存関係を捉えつつ、計算の実行可能性を維持できるか？
• RQ4 提案されたMCMC推論手法は、オブジェクトトラッキングにおいて最小最大最適収束速度を達成するか？
• RQ5 ラベル付きマルチ・ベルヌーイおよび標準的なRFSベースのトラッカーと比較して、性能および効率に優れるか？

主な発見

• 提案モデルはやや弱い正則性条件の下で最小最大最適収束速度を達成しており、統計的最適性を示している。
• MCMC推論アルゴリズムが、既存の事後分布に関して不可約かつ非周期的であり、不変であることが示され、真の事後分布への収束が保証された。
• 高ノイズおよびゴミダミング下でも、オブジェクト個数、ラベル、トラジェクトリの推定が高精度に実現された。
• トラッキング精度および計算効率の両面で、ラベル付きマルチ・ベルヌーイトラッカーを上回った。
• 従属非パラメトリック過程の使用により、オブジェクトの誕生・消滅に動的に適応可能であり、事前にオブジェクト数を知る必要がない。
• モデルは周辺的に適切に定義されており、時間ステップ間で事前分布が有効かつ整合的であることが保証された。