Memory-efficient particle filter recurrent neural network for object localization

要約

本研究では、物体定位問題を解決するために指定された新しいメモリ効率の良いリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。この問題は、ノイズの多い環境において、物体の動きとともに物体の状態を復元することである。古典的なパーティクルフィルタのアイデアを取り入れ、GRU RNNアーキテクチャと組み合わせる。その結果、メモリ効率の良いパーティクルフィルタRNNモデル（mePFRNN）の主な特徴は、異なるサイズの環境を処理するのに必要なパラメータ数が同じであることである。したがって、提案されたmePFRNNアーキテクチャは、以前に提案されたPFRNNモデルと比較して、パラメータを格納するためのメモリ消費が少ない。我々のモデルの性能を実証するために、フィルタリングアルゴリズムにとって信じられないほど困難な、対称的でノイズの多い環境でテストした。我々の実験では、mePFRNNモデルは、検討された競合他社よりも正確なローカライゼーションを提供し、より少ない学習パラメータで済む。

要約(オリジナル)

This study proposes a novel memory-efficient recurrent neural network (RNN) architecture specified to solve the object localization problem. This problem is to recover the object states along with its movement in a noisy environment. We take the idea of the classical particle filter and combine it with GRU RNN architecture. The key feature of the resulting memory-efficient particle filter RNN model (mePFRNN) is that it requires the same number of parameters to process environments of different sizes. Thus, the proposed mePFRNN architecture consumes less memory to store parameters compared to the previously proposed PFRNN model. To demonstrate the performance of our model, we test it on symmetric and noisy environments that are incredibly challenging for filtering algorithms. In our experiments, the mePFRNN model provides more precise localization than the considered competitors and requires fewer trained parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL