論文の概要: Differentiable Particle Filters through Conditional Normalizing Flow

• arxiv url: http://arxiv.org/abs/2107.00488v1
• Date: Thu, 1 Jul 2021 14:31:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 13:58:39.298048
• Title: Differentiable Particle Filters through Conditional Normalizing Flow
• Title（参考訳）: 条件付き正規化流による微分可能な粒子フィルタ
• Authors: Xiongjie Chen, Hao Wen, and Yunpeng Li
• Abstract要約: 微分可能な粒子フィルタは、観測データから学習することで、動的および測定モデルを適応的に訓練する柔軟なメカニズムを提供する。 本稿では, 条件付き正規化フローを用いて, 微分可能な粒子フィルタの提案分布を構築する。 視覚的トラッキングタスクにおけるフローベース微分可能粒子フィルタの条件正規化性能を実演する。
• 参考スコア（独自算出の注目度）: 6.230706386020833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentiable particle filters provide a flexible mechanism to adaptively train dynamic and measurement models by learning from observed data. However, most existing differentiable particle filters are within the bootstrap particle filtering framework and fail to incorporate the information from latest observations to construct better proposals. In this paper, we utilize conditional normalizing flows to construct proposal distributions for differentiable particle filters, enriching the distribution families that the proposal distributions can represent. In addition, normalizing flows are incorporated in the construction of the dynamic model, resulting in a more expressive dynamic model. We demonstrate the performance of the proposed conditional normalizing flow-based differentiable particle filters in a visual tracking task.
• Abstract（参考訳）: 微分可能な粒子フィルタは、観測データから学習することで動的および測定モデルを適応的に訓練する柔軟なメカニズムを提供する。 しかし、既存の微分可能な粒子フィルタのほとんどはブートストラップ粒子フィルタリングフレームワーク内にあり、より良い提案を構築するために最新の観測情報を取り込んでいない。 本稿では, 条件付き正規化フローを用いて, 粒子フィルタの提案分布を構築し, 提案分布が表現できる分布列を豊かにする。 さらに、正規化フローは動的モデルの構築に組み込まれ、より表現力のある動的モデルとなる。 提案する条件付き正規化フローベースの微分可能な粒子フィルタの性能を視覚追跡タスクで実証する。

関連論文リスト

• Optimal Transport-based Nonlinear Filtering in High-dimensional Settings [4.745059103971596]
  本稿では,非線形フィルタリング,すなわち動的システムの状態の条件分布の計算の問題に対処する。 提案手法は, 非線形フィルタリングの最適トランスポート解釈に基づいて, シミュレーションに基づく, 可能性のないアルゴリズムを実現する。 我々の定式化により、ニューラルネットワークの近似能力を利用して、複雑かつマルチモーダルな分布をモデル化できる。
  論文  参考訳（メタデータ） (2023-10-21T01:34:30Z)
• An overview of differentiable particle filters for data-adaptive sequential Bayesian inference [12.161649672131286]
  粒子フィルタは非線形逐次状態推定問題を解くための効率的なメカニズムを提供する。 粒子フィルタの設計における新たなトレンドは、微分可能な粒子フィルタ(DPF)である。
  論文  参考訳（メタデータ） (2023-02-19T18:03:53Z)
• Continuous-time Particle Filtering for Latent Stochastic Differential Equations [37.51802583388233]
  本稿では,粒子フィルタを連続時間領域に拡張した連続潜時粒子フィルタを提案する。 本研究では, 連続潜時粒子フィルタが, 学習した変動後部に依存した推論手法の汎用的なプラグイン代替として利用できることを示す。
  論文  参考訳（メタデータ） (2022-09-01T01:05:31Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Generative Flows with Invertible Attentions [135.23766216657745]
  生成フローモデルに対する2種類の非可逆的注意機構を導入する。 フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。 提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
  論文  参考訳（メタデータ） (2021-06-07T20:43:04Z)
• Innovative And Additive Outlier Robust Kalman Filtering With A Robust Particle Filter [68.8204255655161]
  提案するCE-BASSは, 粒子混合カルマンフィルタであり, 革新的および付加的両方の外れ値に対して堅牢であり, 隠蔽状態の分布における多モード性を完全に捉えることができる。 さらに、CE-BASSは過去の状態を再サンプリングすることで、トレンドの変化のような観測ですぐには見えない革新的な外れ値を扱うことができる。
  論文  参考訳（メタデータ） (2020-07-07T07:11:09Z)
• Deep Convolutional Likelihood Particle Filter for Visual Tracking [0.7424262881242935]
  畳み込み相関型ビジュアルトラッカーのための新しい粒子フィルタを提案する。 本手法は,確率分布の推定に相関応答マップを用いる。 我々のフレームワークは最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-11T19:02:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。