Efficient human situation recognition using Sequential Monte Carlo in discrete state spaces
Nyolt, Martin
1987-
VerfasserIn
aut
Kirste, Thomas Rudolf
AkademischeR BetreuerIn
dgs
Uhrmacher, Adelinde
1961-
AkademischeR BetreuerIn
dgs
Hoey, Jesse
AkademischeR BetreuerIn
dgs
Universität Rostock
Grad-verleihende Institution
dgg
Universität Rostock
Fakultät für Informatik und Elektrotechnik
Grad-verleihende Institution
dgg
text
theses
Text
Hochschulschrift
gw
2019
monographic
XA-DE
Rostock
Universität
publisher
2019
Rostock
Universitätsbibliothek
distributor
eng
1 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
Rostock, 2019
Druck-Ausgabe
(DE-627)1678552771
Nyolt, Martin, 1987 -
urn:nbn:de:gbv:28-rosdok_id00002533-3
10.18453/rosdok_id00002533
1135718687
rda
DE-627
191007
1678192589
20251226T180551.0
Converted from MARCXML to MODS version 3.8 using MARC21slim2MODS3-8_XSLT1-0.xsl
(Revision 1.174 20250328)
ger