高斯过程滤波在周期运动物体稳健检测中的应用
本文提出了一种新颖的在线多物体视觉跟踪器,它使用高斯混合概率假设密度 (GM-PHD) 滤波器和深度外观学习,并在数据关联后继续采用未分配轨迹预测以克服 GM-PHD 滤波器对遮挡引起的漏检敏感性,其在 MOT16,MOT17 和 HiEve 基准数据集上表现优于现有几种现有的跟踪器。
Dec, 2019
提出了一种利用现有领域知识嵌入核函数的新方法,以及一种基于滚动预测的离线在线监控器,用于使机器人在未知情况下使用基于学习的方法安全导航。数值结果表明,与标准的核函数选择相比,具有领域知识的核函数在小数据集上具有更好的回归质量。通过对一个室内设置中的四足机器人进行测试,演示了 OoD 监控器的有效性,可可靠地对以前未见的地形进行分类。
Sep, 2023
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
提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法,用于非线性随机动态系统的系统识别和控制。在机器学习,机器人和控制领域,这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明,所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。
Mar, 2012
本文提出了一种在输入密集深度图像的情况下基于模型的 3D 跟踪方法,通过结合新的鲁棒性方法和近似算法,能够有效地解决深度传感器的测量噪声和计算复杂度问题,并在真实数据实验中表现出优异的性能。
Feb, 2016
本论文提出一种概率框架用于三维环境中的动态目标识别,开发了基于 ROS 的 C++ 和 Python 软件包进行检测和跟踪。基于高斯过程回归(GPR)的新方法用于在不同的城市场景中检测地面点,模拟结果表明,在不平坦和崎岖的场景中,该方法比类似的基于高斯过程的地面分割方法表现更好。
Jan, 2022
本研究提供了一种基于高斯过程回归的 Bayesian 方法的解释,用于参数估计和比较动态系统,提高了非线性动态系统的参数估计和性能准确度,弥补了该方法的严谨数学框架不足之处。
Apr, 2018
本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化,用于处理三维空间中多个移动物体的跟踪问题,并展示了在 KITTI 跟踪数据集上实验的表现。
Aug, 2020
提出了一个机器学习和统计过程控制相结合的框架,用于监测临床设置中影响患者安全的数据漂移问题,并在放射学图像领域进行了实证研究,证明了该框架在不同任务中的有效性。
Feb, 2024
研究提出了一种基于高斯过程矢量场的非参数 ODE 建模方法,可以不需要先验知识学习任意连续时间系统的基本动力学,并利用稀疏数据推断系统的未来动态和进行模拟。
Mar, 2018