鲁棒动态多模态数据融合：一种模型不确定性视角
机器学习
2021-11-24 v5 机器学习
摘要
本文关注非线性非高斯动态过程中在意外模态失效情况下的多模态数据融合（MMDF）。提出了一种解决该问题的高效框架。具体而言，采用一个称为模态“有用性”的概念，其取值为 1 或 0，用于指示该模态的观测是否有用。对于涉及的 n 个模态，存在 2^n 种其“有用性”取值的组合。每种组合定义了真实数据生成过程的一个假设模型。然后将所关注的问题形式化为模型不确定性下的非线性非高斯状态滤波任务，并通过基于动态模型平均（DMA）的粒子滤波（PF）算法予以解决。该 DMA 算法采用 2^n 个模型，而所有模型共享相同的状态转移函数和一组唯一的粒子值。这使得其计算复杂度仅略大于基于单一模型的 PF 算法，尤其在 n 较小的场景中。实验结果表明，所提出的方案显著优于最先进的方法。代码和数据可在 https://github.com/robinlau1981/fusion 获取。
引用
@article{arxiv.2105.06018,
title = {Robust Dynamic Multi-Modal Data Fusion: A Model Uncertainty Perspective},
author = {Bin Liu},
journal= {arXiv preprint arXiv:2105.06018},
year = {2021}
}
备注
This paper has been accepted by IEEE Signal Processing Letters for publication