- Сочетание декомпозиции динамического режима с ансамблевой фильтрацией Калмана для отслеживания и прогнозирования (arXiv)
Автор: Стивен А. Фальконер, Дэвид Дж. Б. Ллойд, Наратип Сантитиссадекорн.
Аннотация: Было показано, что методы усвоения данных, такие как ансамблевая фильтрация Калмана, являются высокоэффективным и действенным способом объединения зашумленных данных с математической моделью для отслеживания и прогнозирования динамических систем. Однако при работе с многомерными данными во многих ситуациях у вас нет модели, поэтому методы усвоения данных не могут быть применены. В этой статье мы используем декомпозицию по динамическим модам для создания низкоразмерной линейной модели динамической системы непосредственно из многомерных данных, которые определяются временными и пространственными модами, которые мы затем можем использовать с методами усвоения данных, такими как ансамблевый фильтр Калмана. Мы показываем, как декомпозицию по динамическим модам можно комбинировать с ансамблевым фильтром Калмана (который мы называем DMDEnKF) для итеративного обновления текущего состояния и временных мод по мере появления новых данных. Мы демонстрируем, что этот подход позволяет отслеживать изменяющиеся во времени динамические системы на синтетических примерах и экспериментировать с использованием вложений с временной задержкой. Затем мы применяем DMDEnKF к реальным данным о сезонных гриппоподобных заболеваниях из Центров по контролю и профилактике заболеваний США и обнаруживаем, что для краткосрочного прогнозирования DMDEnKF сопоставим с лучшими механистическими моделями в конкурсе ILINet.
2. Постобработка на основе движения: использование фильтра Калмана для исключения похожих целей при отслеживании подводных объектов (arXiv)
Автор: Юньфэн Ли, Бо Ван, Е Ли, Вэй Хо, Чжоянь Лю.
Аннотация: Визуальный трекер включает сетевую и постобработку. Несмотря на искажение цвета и низкую контрастность подводных изображений, продвинутые трекеры по-прежнему могут быть очень конкурентоспособными в отслеживании подводных объектов, поскольку глубокое обучение позволяет сетям различать особенности внешнего вида цели. Однако слежение за подводными объектами сталкивается и с другой проблемой. Подводные мишени, такие как рыбы и дельфины, обычно появляются группами, а существа одного и того же вида обычно имеют схожие проявления черт внешности, поэтому различение слабых различий характеристик только по самой сети затруднительно. Существующая постобработка на основе обнаружения отражает только результаты обнаружения одиночного кадра, но не может определять местонахождение реальных целей среди похожих целей. В этой статье мы предлагаем новую стратегию постобработки, основанную на движении, которая использует фильтр Калмана (KF) для сохранения информации о движении цели и исключения похожих целей вокруг. В частности, мы используем поле предсказания KF и поля-кандидаты на карте ответов и их достоверность, чтобы вычислить оценку местоположения кандидата, чтобы найти реальную цель. Наш метод не меняет структуру сети и не выполняет дополнительное обучение трекера. Его можно быстро применить к другим полям отслеживания с аналогичной целевой проблемой. Мы усовершенствовали SOTA-трекеры на основе нашего метода и доказали эффективность нашего метода на UOT100 и UTB180. AUC нашего метода для OSTrack на аналогичных подпоследовательностях улучшается в среднем более чем на 3%, а точность и точность нормализации улучшаются в среднем более чем на 3,5%. Было доказано, что наш метод обладает хорошей совместимостью при решении схожих целевых задач и может повысить производительность трекера вместе с другими методами. Более подробную информацию можно найти в: https://github.com/LiYunfengLYF/KF_in_underwater_trackers.
