Nowy algorytm CNSF rozwiązuje problem redundantnych obliczeń w transformerowych systemach śledzenia wielu celów. Dotychczasowe podejścia w stylu MT3 i Track-MT3 musiały na nowo kodować okna pomiarowe w każdym kroku czasowym, co powodowało niepotrzebne redundancje obliczeniowe. CNSF wprowadza inne podejście - koduje tylko bieżące pomiary, a informacje z przeszłości przechowuje w ustrukturyzowanym stanie ścieżki z recyrkulacją.
Klucz do sukcesu CNSF tkwi w kombinacji trzech mechanizmów. Pierwszy to ekskluzywna asocjacja Sinkhorn, która narzuca miękkie ograniczenia jeden-do-jednego między pomiarami a śledzycznymi celami. Drugi element to aktualizacje stanu w stylu Kalmanowskim warunkowane asocjacją, która propaguje niepewność wyindukowaną przez asocjację. Trzeci to cykliczne modelowanie Bernoulliego lifecycle z urodzinami zdeterminowanymi pomiarami, obsługujące brakujące detencje i przejścia narodzin-śmierci. Na testowym zbiorze symulowanym z trzema reżimami CNSF zmniejsza średni błąd GOSPA o 19,3 procent i T-GOSPA o 30,4 procent względem Track-MT3, przy 55,9 procent mniejszej liczbie parametrów i przyspieszeniu 3,76 razy w wnioskach CPU z pojedynczym wątkiem.
Ta praca ma znaczenie dla systemów wizji komputerowej wymagających szybkiego śledzenia wielu obiektów w czasie rzeczywistym, szczególnie na urządzeniach z ograniczonymi zasobami obliczeniowymi. Redukacja liczby parametrów przy jednoczesnym polepszeniu dokładności otwiera drogi do wdrożeń na urządzeniach brzegowych i mobilnych.