Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Deep Learning for Human Motion: Advancing Trajectory Prediction and Multi-Object Tracking
Übersetzter Titel:
Deep Learning für menschliche Bewegungsmodelle: Fortschritte in Trajektorienvorhersage und Personentracking
Autor:
Dendorfer, Patrick
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Leal-Taixé, Laura (Prof. Dr.)
Gutachter:
Leal-Taixé, Laura (Prof. Dr.); Alahi, Alexandre (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 706; DAT 770; DAT 708
Kurzfassung:
This thesis explores deep learning methods for modeling human motion. Our research focuses on trajectory prediction and multi-object tracking. Our first contribution is to propose two new methods for multimodal pedestrian trajectory prediction. We then present our multi-object tracking platform MOTChallenge, new dataset releases, the metric HOTA, and the sequence complexity measure MOTCOM. Lastly, we leverage trajectory prediction to address long-term occlusions in tracking.
Übersetzte Kurzfassung:
Diese Arbeit untersucht Deep-Learning-Methoden zur Modellierung menschlicher Bewegung. Unsere Forschung konzentriert sich auf Trajektorienvorhersage und Multi-Objekt-Tracking. Dabei präsentieren wir zwei neue Methoden zur multimodalen Trajektorienvorhersage. Anschließend stellen wir unsere Tracking-Plattform MOTChallenge, neue Datensätze, die Metrik HOTA und das Komplexitätsmaß MOTCOM vor. Schließlich nutzen wir die Trajektorienvorhersage, um lange Okklusionen während dem Tracking aufzulösen.
WWW:
https://mediatum.ub.tum.de/?id=1690798
Eingereicht am:
09.11.2022
Mündliche Prüfung:
13.04.2023
Dateigröße:
29777906 bytes
Seiten:
145
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230413-1690798-1-4
Letzte Änderung:
05.06.2023
 BibTeX