长短期记忆卡尔曼滤波器：用于姿态正则化的循环神经估计器
计算机视觉与模式识别
2017-08-08 v1
摘要
用于身体关节定位、相机姿态估计和对象跟踪等任务的单次姿态估计通常含有噪声，时间滤波器已被广泛用于对其实行正则化。最广泛使用的方法之一是卡尔曼滤波器，它既极其简单又通用。然而，卡尔曼滤波器要求事先指定运动模型和观测模型，这给建模者带来负担，同时要求我们使用的显式模型往往只是对现实的粗略近似。例如，在上述姿态估计任务中，通常使用假设匀速或匀加速的运动模型，我们认为这些简化表示极具局限性。本工作中，我们提议转而学习运动和噪声模型的丰富动态表示。具体而言，我们提议使用长短期记忆(LSTM)从数据中学习这些模型，从而允许依赖于所有先前观测和所有先前状态的表示。我们使用计算机视觉中最流行的三种姿态估计任务评估我们的方法，并在所有情况下均取得最先进的性能。
引用
@article{arxiv.1708.01885,
title = {Long Short-Term Memory Kalman Filters:Recurrent Neural Estimators for Pose Regularization},
author = {Huseyin Coskun and Felix Achilles and Robert DiPietro and Nassir Navab and Federico Tombari},
journal= {arXiv preprint arXiv:1708.01885},
year = {2017}
}
备注
Accepted ICCV 2017