| title: |
| Efficient human situation recognition using Sequential Monte Carlo in discrete state
spaces |
|
| contributing persons: |
| Martin Nyolt[VerfasserIn] |
 |
1196553475 |
| Thomas Rudolf Kirste[AkademischeR BetreuerIn] |
| Adelinde Uhrmacher[AkademischeR BetreuerIn] |
|
136258794 |
| Jesse Hoey[AkademischeR BetreuerIn] |
|
1160729778 |
|
| contributing corporate bodies: |
| Universität Rostock[Grad-verleihende Institution] |
|
38329-6 |
| Universität Rostock, Fakultät für Informatik und Elektrotechnik[Grad-verleihende Institution] |
|
10085032-7 |
|
| |
| abstract: |
|
This dissertation analyses these challenges and provides solutions for SMC methods.
The large, categorical and causal state-space is the largest factor for the inefficiency
of current SMC methods. The marginal filter is analysed in detail for its advantages
in categorical states over the particle filter. An optimal pruning strategy for the
marginal filter is derived that limits the number of samples.
[English] |
|
Diese Dissertation analysiert diese Herausforderungen und entwickelt Lösungen für
SMC-Methoden. Der große, kategorische und kausale Zustandsraum ist der größte Faktor
für die Ineffizienz von aktuellen SMC-Methoden. Die Vorteile des Marginalen Filters
in kategorischen Zustandsräumen gegenüber dem Partikelfilter werden detailliert analysiert.
Eine optimale Pruning-Strategie wird für den Marginal Filter entwickelt.
[German] |
|
| document type: |
|
| institution: |
| Faculty of Computer Science and Electrical Engineering |
|
| language: |
|
| subject class (DDC): |
| 004 Data processing Computer sciences |
|
| |
publication /
production: |
Rostock
|
Rostock: Universität Rostock
|
|
2019
|
|
| statement of responsibility: |
| vorgelegt von Martin Nyolt |
|
| |
| identifiers: |
|
| |
| access condition: |
|
| license/rights statement: |
|
|
| RosDok id: |
rosdok_disshab_0000002173 |
| created / modified: |
07.10.2019 / 08.08.2023
|
| metadata license: |
The metadata of this document was dedicated to the public domain
(CC0 1.0 Universal Public Domain Dedication). |
access
viewer
fulltext