Adaptive and Efficient Algorithms for Tracking the Best Expert
National Key Laboratory for Novel Software Technology（Novel Software Technology国家重点实验室）；Nanjing University（南京大学）
在本文中，我们考虑在动态环境中的专家意见的预测问题。我们选择跟踪遗憾作为性能指标，并开发了两个自适应和有效的算法与数据相关的跟踪遗憾界。第一种算法实现了二阶跟踪遗憾界，改进了现有的一阶界。第二个算法享有的路径长度的界限，这通常是不可比的二阶界限，但在缓慢移动的环境中提供的优势。这两种算法都是在在线镜像下降框架下开发的，并从现有的算法中汲取灵感，获得静态遗憾的数据依赖性界限。其关键思想是在在线镜像下降的更新步骤中使用裁剪单纯形。最后，我们扩展我们的算法和分析，在线矩阵预测，并提供了第一个数据依赖的跟踪遗憾界这个问题。
2020-02-08 cs.LG stat.ML
Tracking Performance of Online Stochastic Learners
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
该研究建立平稳假设下在线随机学习器的稳态性能与随机游走模型下跟踪性能的关联，可直接从稳态表达式推断跟踪性能，为大规模漂移场景下的算法性能分析提供新方法。
2020-04-04 cs.LG cs.MA eess.SP
Adversarial Tracking Control via Strongly Adaptive Online Learning with Memory
Boston University（波士顿大学）
我们考虑的问题，跟踪一个敌对状态序列的线性动力系统的敌对干扰和损失函数，推广早期的设置在文献中。为此，我们开发了三种技术，每一个独立的利益。首先，我们提出了一个比较器自适应算法的移动成本的在线线性优化。如果不进行调整，事后看来，它几乎与最佳调整的梯度下降的性能相匹配。接下来，考虑到一个相关的问题，称为在线学习与记忆，我们构建了一个新的强自适应算法，使用我们的第一个贡献作为积木。最后，我们提出了第一个减少从对抗跟踪控制强自适应在线学习与记忆。总结这些单独的技术，我们得到了一个对抗跟踪控制器具有很强的性能保证，即使参考轨迹有很大的运动范围。
2022-02-22 cs.LG cs.SY eess.SY
Tracking Behavioral Patterns among Students in an Online Educational System
University of Copenhagen（哥本哈根大学）
分析在线教育系统生成的日志数据是改善教育系统并增加我们对学生学习方式的理解的重要任务。在这项研究中，我们调查了丹麦最大的小学数字学习内容提供商Clio Online以前从未见过的数据。我们考虑了2015-2017年期间14，810名学生的300万次会议的数据。我们分析了学生在一周内的活动。通过使用非负矩阵分解技术，我们得到软聚类，揭示一天中的时间，主题，活动类型，活动复杂性（衡量布卢姆的分类），和性能之间的依赖关系。此外，我们的方法可以跟踪个别学生随着时间的推移的行为变化，以及教育系统中的一般行为变化。根据研究结果，我们提出了行为改变的建议，以优化学习体验，提高绩效。
2019-08-21 cs.CY cs.LG stat.ML
Online Supervised Subspace Tracking
Georgia Institute of Technology（佐治亚理工学院）
当存在两个时间序列$x_t$和$y_t$，一个是高维预测变量，另一个是响应变量，子空间跟踪需要同时考虑这两个序列时，我们提出了一个监督子空间跟踪的框架.它扩展了经典的在线子空间跟踪工作，可以看作是跟踪的$x_t$。我们的在线充分降维（OSDR）是一个元算法，可以应用于各种情况下，包括线性回归，逻辑回归，多元线性回归，多项逻辑回归，支持向量机，随机点积模型和多尺度union-of-subspace模型。OSDR以较低的计算复杂性实时地降低数据维数，并能处理丢失数据和动态数据。OSDR使用交替最小化方案，并通过格拉斯曼流形上的梯度下降更新子空间。可以利用在许多设置中相对于子空间的格拉斯曼梯度是秩一（或在某些情况下是低秩）的事实来有效地执行子空间更新。OSDR的优化问题是非凸的，一般难以分析，我们提供了一个简单的线性回归设置的OSDR的收敛性分析。通过仿真和实际数据的数值例子，OSDR的良好性能相比，传统的无监督子空间跟踪。
2015-09-01 cs.LG math.ST stat.ML
BeatNet: CRNN and Particle Filtering for Online Joint Beat Downbeat and Meter Tracking
University of Rochester（罗切斯特大学）
节奏信息的在线估计，如节拍位置、强拍位置和节拍，对于许多实时音乐应用是至关重要的。音乐节奏包含复杂的时间层次关系，使其分析本质上具有挑战性，有时是主观的。此外，试图实时估计节奏信息的系统必须是因果关系的，并且必须快速有效地产生估计。在这项工作中，我们介绍了一个用于联合节拍，下拍和节拍跟踪的在线系统，该系统利用因果卷积和递归层，然后在推理过程中应用一对顺序蒙特卡罗粒子滤波器。所提出的系统不需要为了执行下拍跟踪而准备好时间签名，而是能够随着时间的推移估计仪表并调整预测。此外，我们提出了一个信息门策略，以显着降低粒子滤波的计算成本在推理步骤，使系统比以前的基于采样的方法快得多。在GTZAN数据集上进行的实验表明，该系统的性能优于各种在线节拍和下拍跟踪系统，并实现了与基线离线联合方法相当的性能。
2021-08-08 cs.AI cs.IR cs.LG
Smoothed Online Optimization for Target Tracking: Robust and Learning-Augmented Algorithms
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Akamai Technologies（Akamai技术公司）
本文提出SOOTT框架整合跟踪、扰动和切换成本，并设计鲁棒算法BEST及学习增强变体CoRT，在预测准确时提升性能且保持鲁棒性，通过工作负载调度案例验证了有效性。
2025-09-07 cs.LG cs.SY eess.SY
Online and Real-Time Tracking in a Surveillance Scenario
Fraunhofer IML（弗劳恩霍夫物流研究院）；DB Schenker（德铁信可）
本文提出了一种方法，在监视场景中的跟踪。该场景的典型方面是24/7操作，其中静态摄像机安装在具有许多对象或人的人的高度上方。多对象跟踪基准20（MOT 20）最好地反映了这种情况。我们可以证明，我们的方法在这个基准测试中是实时的【形】的，并且在HOTA，MOTA和IDF 1中优于所有其他实时的【形】方法。我们通过贡献一个快速的暹罗网络来实现这一点，该网络重新制定为线性运行时间（而不是二次），以从检测中生成指纹。因此，可以基于多个跟踪特定评级将检测与卡尔曼滤波器相关联：指纹的余弦相似性、交集与并集以及图像中的像素距离比。
2021-06-02 cs.CV cs.LG
Online learning-based trajectory tracking for underactuated vehicles with uncertain dynamics
University of Pennsylvania（宾夕法尼亚大学）；Instituto de Ciencias Matematicas (CSIC-UAM-UCM-UC3M)（数学科学研究所（西班牙国家研究委员会-马德里自治大学-马德里康普顿斯大学-卡洛斯三世大学））；Technical University of Munich（慕尼黑工业大学）
近年来，由于航空和水下航行器以及纳米卫星数量的增加，欠驱动车辆受到了广泛的关注。这些飞行器的轨迹跟踪控制是越来越多的应用领域的一个重要方面。然而，外部干扰和内部动态的一部分往往是未知的或非常耗时的模型。为了克服这个问题，我们提出了一个跟踪控制律的欠驱动刚体动力学使用在线学习为基础的预言未知动态的预测。我们表明，高斯过程模型是特别感兴趣的角色的预言。所提出的方法保证了有界的跟踪误差与高概率的界限是明确给出的。数值例子突出了所提出的控制律的有效性。
2021-09-14 cs.LG cs.SY eess.SY
Deep Flow Collaborative Network for Online Visual Tracking
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
基于深度学习的视觉跟踪算法（诸如MDNet）利用深度神经网络的特征提取能力来实现高性能。然而，这些跟踪器的跟踪效率不是很高，由于缓慢的特征提取为每帧的视频。在本文中，我们提出了一个有效的跟踪算法，以减轻耗时的问题。具体来说，我们设计了一个深流协作网络，它只在稀疏的关键帧上执行昂贵的特征网络，并通过光流将特征映射传输到其他帧。此外，我们提出了一个有效的自适应关键帧调度机制，以选择最合适的关键帧。我们在大规模数据集上评估了所提出的方法：OTB2013和OTB2015。实验结果表明，该算法具有较高的加速比和精度。
2019-11-05 cs.CV cs.LG
RetinaTrack: Online Single Stage Joint Detection and Tracking
Google（谷歌）
传统上，多目标跟踪和目标检测是使用单独的系统来执行的，其中大多数先前的工作专门集中在这些方面中的一个方面而不是另一个方面。跟踪系统显然受益于获得准确的检测，然而，文献中有充分的证据表明，检测器可以受益于跟踪，例如，可以帮助随着时间的推移平滑预测。在本文中，我们重点关注自动驾驶的检测跟踪范式，其中这两项任务都是关键任务。我们提出了一个概念上简单而有效的检测和跟踪联合模型，称为RetinaTrack，它修改了流行的单阶段RetinaNet方法，使其适合实例级嵌入训练。通过对Waymo开放数据集的评估，我们表明，我们的性能优于最新的最先进的跟踪算法，同时需要的计算量明显减少。我们认为，我们简单而有效的方法可以作为这一领域今后工作的坚实基础。
2020-03-30 cs.CV cs.LG eess.IV
Higher-Order Equilibrium Tracking for EM-Compressible Online Estimation
School of Computer Science and Technology（计算机科学与技术学院）；College of AI（人工智能学院）
本文研究了潜在变量模型中的在线估计问题，提出通过跟踪移动经验均衡来实现高阶均衡跟踪，证明了从批量到在线的转移定理，并展示了在潜在线性高斯协方差估计中的应用。
2026-05-09 cs.LG math.ST stat.TH
CAMELTrack: Context-Aware Multi-cue ExpLoitation for Online Multi-Object Tracking
UCLouvain（列日大学）；EPFL（苏黎世联邦理工学院）；Sportradar（Sportradar公司）
本文提出新型关联模块CAMEL及在线多目标跟踪流水线CAMELTrack，通过基于transformer的模块和以关联为中心的训练方案直接从数据学习关联策略，摆脱了手工启发式规则，在保持模块化设计的同时于多个跟踪基准上达到SOTA性能。
2025-05-02 cs.CV cs.LG
Online Deep Learning for Improved Trajectory Tracking of Unmanned Aerial Vehicles Using Expert Knowledge
Nanyang Technological University（南洋理工大学）；Aarhus University（奥胡斯大学）
本工作提出了一种基于在线学习的控制方法，用于同时使用深度学习和专家知识来改进无人机的轨迹跟踪。所提出的方法不需要精确的系统模型进行控制，它是对系统动态变化以及操作的不确定性鲁棒性。学习分为两个阶段：离线（前）培训和在线（后）培训。在前者中，常规控制器执行一组轨迹，并且基于输入-输出数据集，训练基于深度神经网络（DNN）的控制器。在后者中，模仿传统控制器的经过训练的DNN控制系统。与文献中现有的论文不同，该网络仍在针对DNN训练阶段未使用的不同轨迹集进行训练。由于规则库，其中包含的专家知识，所提出的框架学习系统动态和操作的不确定性实时。实验结果表明，所提出的在线学习为基础的方法提供了更好的轨迹跟踪性能相比，只有离线训练的网络。
2019-05-26 cs.LG cs.RO
Online Bayesian Meta-Learning for Cognitive Tracking Radar
Virginia Tech（弗吉尼亚理工大学）；US Army Research Laboratory（美国陆军研究实验室）
认知雷达的一个关键组成部分是泛化能力，或在一系列感知环境中实现一致的性能，因为物理场景的各个方面可能会随时间而变化。这对基于学习的波形选择方法提出了挑战，因为在一个场景中有效的传输策略在另一个场景中可能是非常次优的。我们解决这个问题的战略偏见的学习算法，通过利用高层次的结构跟踪实例，称为元学习。在这项工作中，我们开发了一种在线元学习方法，用于波形敏捷跟踪。该方法使用从先前目标跟踪中获得的信息来加速和增强新跟踪实例中的学习。这导致在样本有效的学习，通过利用固有的相似性，在跟踪场景中，由于共同的物理元素，如目标类型或杂波统计的一类有限状态目标通道。我们制定的贝叶斯学习的框架内的在线波形选择问题，并提供先验依赖的性能界限的元学习问题，使用概率近似正确（PAC）贝叶斯理论。我们提出了一个计算上可行的元后验采样算法，并研究了在不同场景的仿真研究中的性能。最后，我们研究了与波形敏捷跟踪的在线元学习相关的潜在性能优势和实际挑战。
2023-02-07 cs.IT cs.LG cs.SY
Predictive Linear Online Tracking for Unknown Targets
ETH Zürich（苏黎世联邦理工学院）；inspire AG（inspire AG公司）；Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所）
针对未知非平稳运动目标，提出PLOT算法，利用带指数遗忘的递推最小二乘学习时变模型并结合滚动时域控制，证明动态遗憾为O(√(TV_T))，且在真实四旋翼上验证并开源。
2024-06-13 cs.LG cs.SY eess.SY
Regret Analysis of Online LQR Control via Trajectory Prediction and Tracking: Extended Version
The Australian National University（澳大利亚国立大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出并分析了一种新的在线线性二次型调节器（LQR）控制方法。成本矩阵按顺序显示，并有可能在很短的时间内预览未来的值。我们的新方法包括使用可用的成本矩阵来预测的最优轨迹，和跟踪控制器来驱动系统走向it.We采用动态后悔的概念来衡量这种建议的在线LQR控制方法的性能，我们的主要结果是，我们的方法的（动态）遗憾的上限由一个常数。此外，遗憾上界与预览窗口的长度呈指数衰减，是可扩展的干扰系统。我们在模拟中表明，我们提出的方法提供了改进的性能相比，其他先前提出的在线LQR方法。
2023-02-21 cs.LG cs.SY eess.SY
A Hybrid Stochastic Gradient Tracking Method for Distributed Online Optimization Over Time-Varying Directed Networks
针对时变有向网络中的分布式在线优化问题，提出TV-HSGT算法，通过混合随机梯度跟踪与方差缩减机制，在无需梯度有界假设下提升动态遗憾界，并在实验中验证其有效性。
2025-08-28 cs.DC cs.LG math.OC
GTAdam: Gradient Tracking with Adaptive Momentum for Distributed Online Optimization
University of Bologna（博洛尼亚大学）
本文提出GTAdam分布式在线优化算法，结合梯度跟踪与一阶和二阶动量估计，在强凸条件下证明动态遗憾上界并保证静态线性收敛，多智能体实验验证其优于现有方法。
2023-09-12 cs.DC cs.LG math.OC
Online Learning via Learned Latent Bayesian Tracking
Ben-Gurion University（本-古里安大学）；Northeastern University London（东北大学伦敦校区）
针对非平稳环境下高维模型在线学习计算困难的问题，提出AURA元学习框架，通过学习低维潜状态空间模型并利用扩展卡尔曼滤波实现高效在线适应，在无线接收机和图像分类任务上显著提升适应速度与精度。
2026-09-30 cs.LG eess.SP
GOT-Edit: Geometry-Aware Generic Object Tracking via Online Model Editing
Department of Computer Science, National Yang Ming Chiao Tung University（国立阳明交通大学计算机科学系）；Academia Sinica（学术院）；Microsoft AI（微软人工智能）
GOT-Edit通过在线模型编辑整合几何感知线索，提升通用目标跟踪在遮挡和杂乱环境中的鲁棒性和准确性。
2026-02-24 cs.AI cs.CV cs.LG
Online Object Tracking, Learning and Parsing with And-Or Graphs
North Carolina State University（北卡罗来纳州立大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种方法，称为AOGTracker，同时跟踪，学习和解析（TLP）的视频序列中的未知对象的层次和组合与或图（AOG）表示。AOG以原则性的方式捕获目标对象的结构和外观变化。TLP方法是制定在贝叶斯框架与空间和时间的动态规划（DP）算法推断对象边界框上的飞行。在在线学习期间，使用潜在SVM有区别地学习AOG以考虑外观（例如，照明和部分遮挡）和结构（例如，不同的姿态和视点）变化，以及干扰物（例如，类似的物体）在背景中。在线推理和学习中的三个关键问题得到了解决：（i）保持在线收集的正面和负面示例的纯度，（ii）控制潜在结构学习中的模型复杂性，以及（iii）识别关键时刻以基于其可插入性重新学习AOG的结构。可插入性基于AOG在帧中的分数图来测量AOG的不确定性。在实验中，我们的AOGTracker在两个流行的跟踪基准测试相同的参数设置：TB-100/50/CVPR 2013基准测试，和VOT基准测试- VOT 2013，2014，2015和TIR 2015（热成像跟踪）。在前者中，我们的AOGTracker优于最先进的跟踪算法，包括基于深度卷积网络的两个跟踪器。在后者中，我们的AOGTracker优于VOT 2013中的所有其他跟踪器，并可与VOT 2014，2015和TIR 2015中的最先进方法相媲美。
2016-09-03 cs.CV cs.LG
RSINet: Rotation-Scale Invariant Network for Online Visual Tracking
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术院（KAIST））；Inha University（仁荷大学）
大多数基于Siamese网络的跟踪器在执行跟踪过程中不需要模型更新，并且不能自适应地学习目标特定的变化。此外，基于Siamese的跟踪器通过生成轴对齐的边界框来推断被跟踪对象的新状态，该边界框包含额外的背景噪声，并且无法准确地估计移动对象的旋转和尺度变换，从而潜在地降低跟踪性能。在本文中，我们提出了一种新的旋转尺度不变网络（RSINet）来解决上述问题。我们的RSINet跟踪器由一个目标分心判别分支和一个旋转尺度估计分支组成，旋转和尺度知识可以通过多任务学习方法以端到端的方式显式学习。同时，在时空能量控制下，对跟踪模型进行自适应优化和更新，保证了模型的稳定性和可靠性，以及较高的跟踪效率。在OTB-100、VOT 2018和LaSOT基准测试上的综合实验表明，与最近的跟踪器相比，我们提出的RSinet跟踪器具有新的最先进的性能，同时以约45 FPS的实时速度运行。
2020-11-18 cs.CV cs.LG eess.IV
Online Subspace Tracking for Damage Propagation Modeling and Predictive Analytics: Big Data Perspective
National University of Sciences and Technology（国立科技大学）
本文采用数据驱动的方法对涡轮发动机的损伤扩展建模进行了分析。我们研究子空间跟踪假设一个低维流形结构和静态行为在健康状态的机器。我们的损害传播模型是基于偏离静态行为的数据，并使用健康指数的概念作为衡量的条件。因此，我们采用基于状态的维护，并根据当前和以前的健康指数估计剩余使用寿命。本文提出了一种算法，该算法能够很好地适应数据和底层系统的动态性，并通过利用数据的低维流形结构来降低计算复杂度。一个显着的性能改善表现出现有的方法，通过使用该算法对CMAPSS涡轮发动机数据集。
2019-07-26 cs.LG cs.SY eess.SP
Online Residual Learning from Offline Experts for Pedestrian Tracking
ETH Zürich（苏黎世联邦理工学院）；inspire AG（inspire AG公司）
针对在线行人轨迹预测，本文提出 ORL，将多个离线预测与递推最小二乘在线残差校正结合，并通过专家建议框架和自适应 softmax 聚合，实现遗憾保证与最佳性能。
2024-09-09 cs.LG cs.SY eess.SY
