使用模拟奇异狄拉克δ势的退火加权QPSO粒子滤波实现即时跟踪学习
神经与进化计算
2018-06-06 v1
摘要
本文提出一种演化粒子滤波，具有记忆引导的提议步长更新，以及一种改进的、全连接的量子行为粒子群优化(QPSO)重采样方案，用于视觉跟踪应用。提议更新步长使用与近期记忆中遇到的速度成正比的重要性权重，以将粒子群运动限制在可能的感兴趣区域内。该QPSO重采样方案使用适应度加权均值最优更新，将粒子群偏向适应度最高的粒子区段，同时采用模拟退火算子以避免在迭代后段进行次优微调。借助此类构造将粒子移向后验分布的高似然态势，粒子滤波中困扰已久的样本贫化问题得以大幅缓解。使用基准序列的实验结果表明，所提方法在一组跟踪器性能指标上优于粒子滤波及传统的基于粒子群优化的粒子滤波等竞争性候选跟踪器。
引用
@article{arxiv.1806.01396,
title = {Learning to track on-the-fly using a particle filter with annealed- weighted QPSO modeled after a singular Dirac delta potential},
author = {Saptarshi Sengupta and Richard Alan Peters},
journal= {arXiv preprint arXiv:1806.01396},
year = {2018}
}
备注
16 pages, 13 figures, 4 tables