深度卡尔曼滤波器
连续时间的深度卡尔曼滤波器 (DKF) 可以近似实现一类非马尔可夫和条件高斯信号过程的条件概率分布,适用于数学金融中的债券和期权价格模型校准等传统基于模型的过滤问题。
Oct, 2023
本文提出了一种名为 RKN 的循环卡尔曼网络,它可以在不使用其他近似方法(如变分推断)的情况下,使用反向传播直接学习高维因式分解潜在状态表示,从而具有能够精确估计不确定性的能力,并在图像插值任务中优于多种生成模型。
May, 2019
我们提出了两种创新的数据驱动滤波方法,通过结合可训练的运动模型进行对象位置预测,并将观察结果与对象检测器的预测相结合,以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估,证明在对象跟踪方面,尤其是非线性运动模式的情况下,我们的滤波器优于传统的 Kalman 滤波器。
Feb, 2024
本研究提出了一种基于长短时记忆学习(long short term memory)的方法来丰富动态运动和噪声模型的表征,以应用于计算机视觉中的三个最受欢迎的姿态估计任务,并在所有情况下获得最先进的性能表现。
Aug, 2017
本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法,其仅需要进行加权预测误差的局部计算,同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能,并提出了一种神经实现方法。
Feb, 2021
Kalman filters are widely used for estimating hidden variables and their application in neural decoding is explored in this paper, presenting a new version that leverages Bayes' theorem for improved filter performance. The paper provides an open-source Python alternative to the authors' MATLAB algorithm, and the efficacy of the new filter is examined in neuroscientific contexts using multiple random seeds and previously unused trials from the authors' dataset.
Jan, 2024
本文提出了一种基于确定性计算图的梯度下降算法,用于训练判别式状态估计器,该模型可以有效处理复杂的输入,如原始摄像头图像,并用于视觉里程计任务和合成跟踪任务中进行评估。
May, 2016
利用卡尔曼滤波器建立一种动态模型,以矩阵分解方法进行协同过滤和相关因式分解建模,通过建模每个低维潜在嵌入为多维布朗运动来解决时间演化问题,并采用几何布朗运动处理隐含参数漂移问题,同时还应用平均场变分近似对后验概率分布的复杂性提出了解决方法。该模型在多个大型数据集上进行了评估。
Jan, 2015