基于析取因子化四向条件受限玻尔兹曼机从 2D 投影估计 3D 轨迹
计算机视觉与模式识别
2017-05-02 v2 人工智能
摘要
基于单一相机源可用的二维投影，对三维轨迹进行估计、识别和近未来预测是一个极其困难的问题，原因在于轨迹和环境的不确定性、特定轨迹状态的高维性、缺乏足够的标记数据等。在本文中，我们提出了一种基于新颖深度学习模型（称为析取因子化四向条件受限玻尔兹曼机 (DFFW-CRBM)）来解决此问题的方法。我们的方法通过引入一种新颖的张量因子化，能够驱动四阶玻尔兹曼机达到显著更低的能量水平，且无需计算代价，从而改进了用于高维时间序列建模的最先进深度学习技术。DFFW-CRBM 能够准确地从二维投影估计、识别和进行三维轨迹的近未来预测，同时仅需要有限量的标记数据。我们在模拟和真实世界数据上评估了我们的方法，显示了其在预测和分类复杂球轨迹与人类活动方面的有效性。
引用
@article{arxiv.1604.05865,
title = {Estimating 3D Trajectories from 2D Projections via Disjunctive Factored Four-Way Conditional Restricted Boltzmann Machines},
author = {Decebal Constantin Mocanu and Haitham Bou Ammar and Luis Puig and Eric Eaton and Antonio Liotta},
journal= {arXiv preprint arXiv:1604.05865},
year = {2017}
}
备注
Pattern Recognition, ISSN 0031-3203, Elsevier, 2017