Aug, 2022

使用信念传播对群体目标和非群组目标实现无缝跟踪

PDF
TL;DR该论文研究了大规模组目标跟踪问题，提出了一种基于置信传播（BP）框架的可扩展组目标置信传播（GTBP）方法，将目标存在变量、组结构、数据关联和目标状态联合推断计算，具有良好的可扩展性和低计算复杂度。
group target trackingbelief propagationdata associationscalabilitytarget states
发现论文，激发创造
  • 高维系统高效推理的高斯集成置信传播

    高维模型中的高效推理是机器学习中的一大挑战。本文介绍了高斯集成信念传播算法（GEnBP），它是集合卡尔曼滤波器和高斯信念传播方法的融合。GEnBP 通过图模型结构中的低秩局部消息传递来更新集合，结合了每种方法的优点，能够处理高维状态、参数和复杂、嘈杂、黑盒子生成过程。GEnBP 特别适用于集合大小远小于推理维度的情况，常见于时空建模、图像处理和物理模型反演等领域。GEnBP 可应用于包括联合学习系统参数、观测参数和潜在状态变量在内的一般问题结构。

    Feb, 2024

  • 使用多个传感器跟踪未知数量目标的可扩展算法

    本文提出了一种基于因子图的置信传播方法，用于跟踪未知数量的目标，实现了低计算复杂度和优秀的可扩展性，具有比其他方法更加有利的计算复杂度，能够适用于目标跟踪等领域。

    Jul, 2016

  • 深度关注信念传播：融合推理与学习以解决约束优化问题

    通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问题进行自我监督学习，并通过实验表明它显著优于现有的基线模型。

    Sep, 2022

  • 高斯置信度传播下的多机器人协作规划分配

    本文提出了一种基于高斯信念传播的分布式技术 GBP Planning，用于解决多机器人规划问题，该方法可以在复杂的场景中实现高效的协作规划并保持短、快速、平滑的轨迹。

    Mar, 2022

  • 用高斯置信传播在深度因子图中学习

    我们提出了一种在高斯因子图中进行学习的方法，将所有相关的量（输入、输出、参数、潜变量）都视为随机变量，并将训练和预测视为具有不同观察节点的推理问题。我们的实验结果表明，这些问题可以通过信念传播（BP）进行高效求解，其更新在本质上是局部的，为分布式和异步训练提供了令人兴奋的机会。我们的方法可以扩展到深度网络，并提供了一种自然的方法进行连续学习：使用当前任务的 BP 估计参数边缘作为下一个任务的参数先验。在视频去噪任务中，我们展示了可学习参数相对于经典因子图方法的优势，并展示了深度因子图在 MNIST 连续图像分类上令人鼓舞的性能。

    Nov, 2023

  • 置信传播计数

    本文介绍了一种名为计数 BP 的新型 BP 算法，它利用了图模型中存在的对称性，通过构建压缩图模型的方式实现更高效的模型推理，在包括动态关系模型和布尔模型计数等多种人工智能任务中取得显著的效率提升。

    May, 2012

  • 高斯信念传播：理论与应用

    使用高斯信仰传递算法（GaBP）解决线性方程组问题，实现了迭代解法，从而实现了分布式消息传递实现解决方案的算法。通过广泛的模拟实验，在具有数百万节点和数亿通信链接的真实网络拓扑上展示了 GaBP 算法的吸引力和适用性。

    Nov, 2008

  • 神经增强置信传播用于多目标跟踪

    本研究提出了一种基于神经增强信念传播的多目标跟踪方法，NEBP 通过学习原始感应器数据中的信息改进了传统基于统计模型的贝叶斯 MOT 方法，提高了跟踪性能和灵敏性.

    Dec, 2022

  • 供应网络的信念传播：因子图的高效聚类

    本文提出了一种系统性的方式来对 naively 分配的因子图进行循环聚类，从而消除短路的影响，以提高 BP 算法在供应网络中的性能表现，实现了对供应网络中状态估计和优化问题的快速、可靠计算。

    Mar, 2022

  • 聚合数据推理：一种最优传输方法

    本文提出了一种新的高效置信传播算法 Sinkhorn belief propagation (SBP)，用于基于大量个体生成的聚合数据的概率图模型的推断问题。该算法基于最优传输理论并具有全局收敛保证，特别适用于隐马尔可夫模型的情况。

    Mar, 2020