Oct, 2023

内存高效的粒子滤波循环神经网络用于目标定位

PDF
TL;DR该研究提出了一种新颖的内存高效的循环神经网络（RNN）架构，用于解决目标定位问题，并通过将经典的粒子滤波器与 GRU RNN 架构相结合，提出了构建粒子滤波器 RNN 模型（mePFRNN）的关键特性是在处理不同尺寸环境时所需的参数数目相同。因此，相比于先前提出的 PFRNN 模型，该提议的 mePFRNN 架构消耗更少的存储参数内存。通过在对称且嘈杂的环境中进行测试，以展示我们模型的性能，实验结果表明，相比于其他考虑的竞争者，mePFRNN 模型具有更精确的定位结果，并且需要更少的训练参数。
memory-efficient recurrent neural networkobject localization problemparticle filtergru rnn architecturemepfrnn model
发现论文，激发创造
  • 粒子滤波循环神经网络

    本研究介绍了一种新的递归神经网络的方法，即基于粒子滤波的递归神经网络，它将不确定性建模为一组粒子，并提出了一种全可微分的粒子滤波算法来更新其内部状态分布，实验证明该方法在真实世界序列预测方面优于标准门控递归神经网络。

    May, 2019

  • 透过连续粒子滤波在循环神经网络中进行隐状态近似

    本文介绍一种基于历史数据，使用逐步加粗的粒子来近似表示潜在状态分布的序列预测模型，利用连续可微分的方案，根据贝叶斯规则，自适应提取有价值的信息和更新潜在状态，并在预测任务中取得了良好的效果。

    Dec, 2022

  • 视觉跟踪的循环滤波学习

    本研究提出了一种递归滤波器生成方法来进行视觉跟踪，直接将目标的图像块作为输入，使用递归神经网络来生成一个特定于目标的滤波器，通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算，对目标的空间结构进行保留和内存优化。

    Aug, 2017

  • 应用于视觉定位的粒子滤波网络

    本文介绍了一种新的方法 PF-Net，将粒子滤波算法和神经网络相结合，为具有复杂动态或丰富感知输入的系统构建概率系统模型。实验结果表明，PF-Net 在机器人视觉定位任务中具有更好的表现和普适性。

    May, 2018

  • 多目标滤波的深度循环神经网络

    本文提出了使用自适应学习框架解决多目标过滤的固定运动和测量模型问题，通过使用随机有限集术语定义目标元组以及利用具有长短期记忆结构的递归神经网络，提出了一种与预测轨迹元组兼容的新型数据关联算法，使得能够更新被遮挡的目标以及分配目标的出生、存活和死亡。该算法在一个常用的过滤器模拟场景中进行了评估，结果非常有前途。

    Jun, 2018

  • 对称环境下的多粒子卡尔曼滤波器用于物体定位

    本研究提出一种新型的多粒子卡尔曼滤波器，用于解决复杂和对称环境下的目标定位问题。该算法结合了卡尔曼滤波器和粒子滤波器两种方法的优点，并在对称和嘈杂环境中验证了其性能优于单纯的粒子滤波器。

    Mar, 2023

  • 多路径反馈循环神经网络用于场景解析

    本研究提出一种新的 MPF-RNN 模型，通过多层反馈和多重加权循环结构，增强 RNN 建模长范围的上下文信息和识别易混淆像素的能力，此外还提出了考虑多次反馈的损失累积策略，从而在场景分割方面实现了比传统模型更优秀的性能表现。

    Aug, 2016

  • 多分辨率物理信息循环神经网络：配方及应用于肌肉骨骼系统

    提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

    May, 2023

  • 使用循环神经网络进行在线多目标跟踪

    本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法，在真实场景下跟踪多个对象涉及许多挑战，包括 a）先验未知和时变目标数量，b）所有目标的连续状态估计，和 c）数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式，解决了上述的所有问题，并在合成数据和真实数据上的实验表明取得了不错的效果，为未来研究方向奠定了基础。

    Apr, 2016

  • 使用并行解释模型增强神经网络配置在细胞退化检测中的透明度

    通过使用平行模型研究循环神经网络的内部运行机制，我们揭示了循环神经网络（RNN）中存在的性能限制，并给出对未来设计 RNN 和类似类型神经网络有用的洞察。

    Apr, 2024