Efficient human situation recognition using Sequential Monte Carlo in discrete state spaces Nyolt, Martin , 1987- (VerfasserIn) Kirste, Thomas Rudolf (AkademischeR BetreuerIn) Uhrmacher, Adelinde , 1961- (AkademischeR BetreuerIn) Hoey, Jesse (AkademischeR BetreuerIn) Universität Rostock (Grad-verleihende Institution) Universität Rostock Fakultät für Informatik und Elektrotechnik (Grad-verleihende Institution) Text theses Text Hochschulschrift 2019 2019 eng electronic resourceremoteComputermedienOnline-Ressource1 Online-Ressource 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.<eng> 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.<ger> vorgelegt von Martin Nyolt GutachterInnen: Thomas Rudolf Kirste (Institute for Visual and Analytic Computing) ; Adelinde Maria Uhrmacher (Institute for Visual and Analytic Computing) ; Jesse Hoey (School of Computer Science) Dissertation Universität Rostock 2019 004 004.019 004 SK 820 ST 300 54.72 http://purl.uni-rostock.de/rosdok/id00002533 https://doi.org/10.18453/rosdok_id00002533 https://nbn-resolving.org/urn:nbn:de:gbv:28-rosdok_id00002533-3 https://d-nb.info/1293657670/34 Efficient human situation recognition using Sequential Monte Carlo in discrete state spaces--(DE-627)1678552771 urn:nbn:de:gbv:28-rosdok_id00002533-3 doi: 10.18453/rosdok_id00002533 oclc: 1135718687 ppn: (DE-627)1678192589