《Online Multi-Target Tracking Using Recurrent Neural Networks》阅读笔记及理解

《Online Multi-Target Tracking Using Recurrent Neural Networks》2017 AAAI
阿德莱德大学和ETH
这篇文章是首次用RNN实现端到端的追踪。（2016年的AAAI是第一篇用RNN作追踪的文章，尽管效果很好，但是它用的是几乎完美的传感器数据，目标数目已知，且运动平滑、线性。）
本文应该是目前网上能搜到这篇文章最全面的阅读笔记了，文末有自己的理解。

摘要：

我们提出了一个基于RNN的在线多目标追踪方法，在线追踪有许多挑战：目标数未知；对目标的连续状态估计；数据关联的方法。我们的解决方案以原则性的方式解决上述所有问题。

第一章 介绍

1. 我们的贡献如下：
   （1）受贝叶斯滤波思想的启发，我们提出了一种能够在统一的网络结构中完成预测、数据关联、状态更新以及目标起始和终止等多目标跟踪任务的循环神经网络。这种方法的主要优点之一是model-free，即不需要任何关于目标动力学、杂波分布等的先验知识。因此，它可以捕捉线性（卡尔曼滤波）、非线性（粒子滤波）和高阶相关性。
   （2）我们展示了包括目标的初始化和结束的数据关联问题可以完全从数据中学到。这种时变基数分量证明了利用RNNs不仅可以预测具有固定大小的输入和输出向量的序列，而且事实上还可以推断具有未知基数的无序集（即人数不确定）。
   （3）我们提出了一种从生成模型中取样生成任意数量训练数据的方法
   （4）模拟和实际数据的定性和定量结果显示了令人鼓舞的结果，证实了该方法的潜力我们坚信，这将激励其他研究人员提出扩展的想法，并进一步提高性能。

第三章 背景知识

1. （这里只补充一下贝叶斯滤波）
   在Bayseian滤波中，目标是从噪声测量z估计真实状态x。在马尔可夫假设下，时刻t的状态分布包含了之前的测量值，可以被递归表示为：
   
   其中，∝表示“正比于”。