ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 27/1 - 2013  - pp.95-120  - doi:10.3166/ria.27.95-120
TITRE
Estimation de densités non paramétriques et multimodales par permutation de sous-particules. Application au suivi d'un ou de plusieurs objets synthétiques articulés

TITLE
Non parametric and multimodal densities estimation by sub-particle permutation. Application to single or multiple synthetic object tracking

RÉSUMÉ
Dans cet article, nous proposons une approche originale d’estimation séquentielle de densités non paramétriques définies dans des espaces de grande dimension, dans le cadre méthodologique du filtrage particulaire. En exploitant les indépendances conditionnelles de l’espace d’état, nous proposons de permuter des sous-ensembles indépendants de particules de manière à générer un nouvel ensemble échantillonnant mieux cet espace. Nous intégrons cette approche dans deux versions classiques du filtre particulaire : celui avec échantillonnage partitionné et celui à recuit simulé de manière à prouver son efficacité. Nous comparons notre modèle aux approches classiques dans le cadre de l’estimation des densités d’objets synthétiques articulés. Nous montrons que notre approche diminue à la fois les erreurs d’estimation et les temps de traitement.


ABSTRACT
In this paper, we propose an original approach for sequential non-parametric density estimation defined in high-dimensional state spaces using the particle filtering framework. By exploiting conditional independences in the state space, we propose to swap independent subparticle sets to generate new sets that better sample this space. We integrate this approach into two versions of particle filter, i.e., partition sampling and annealed particle filter, to prove its efficiency. We compare it to classical approaches on synthetic articulated object density estimation problems, and show that our approach reduces both estimation errors and computation times.


AUTEUR(S)
Séverine DUBUISSON, Christophe GONZALES

MOTS-CLÉS
approximation de densité, filtrage particulaire, réseaux bayésiens.

KEYWORDS
density approximation, particle filtering, Bayesian networks.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (657 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier