用于在线多目标跟踪的因果神经集过滤

摘要

arXiv:2609.16054v1 Announce Type: new Abstract: Transformer-based multi-target tracking (MTT) jointly learns data association and state estimation, but MT3/Track-MT3-style trackers repeatedly re-encod...

and CNSF association state MT3 with estimation Track measurement https

2026-09-16 1 阅读约1分钟阅读 Zhongdi Liu, Huangyu Dai

arXiv:2609.16054v1 发布类型：新摘要：基于 Transformer 的多目标跟踪（MTT）联合学习数据关联和状态估计，但 MT3/Track-MT3 式跟踪器重复对测量窗口进行重新编码，从而产生冗余计算。我们提出因果神经集过滤（CNSF）\footnote{\href{https://github.com/daihuangyu/CNSF}{Code: https://github.com/daihuangyu/CNSF}}，一种神经集过滤器，仅对当前测量进行编码，同时以结构化递归跟踪状态携带过去的证据。 CNSF 结合了独特的 Sinkhorn 关联、关联条件卡尔曼形更新与矩匹配，以及循环伯努利生命周期建模与测量驱动的诞生。这些机制施加软一对一约束，传播关联引起的状态不确定性，并支持在漏检和生死转换下的存在估计。在保留的三机制模拟测试集上，CNSF 相对于 Track-MT3 将平均 GOSPA 和 T-GOSPA 降低了 19.3\% 和 30.4\%，参数减少了 55.9\%，单线程 CPU 推理速度提高了 3.76\times$。

订阅66必读