- 综合排序
- 最热优先
- 最新优先
- 来自专栏媒矿工厂
CLIFF : 结合整帧位置信息的人体姿态和形状估计
Information in Full Frames into Human Pose and Shape Estimation 论文作者：Zhihao Li 内容整理：王彦竣 本文讨论了自上而下的人体姿态估计方法中裁剪出人体图片而损失全局位置信息的问题 ，并提出了CLIFF("Carry Location Information in Full Frames")，通过将检测框的位置与裁剪图像的特征向量进行拼接，给网络提供了更加全局的信息，提高了网络的对于人体的全局旋转角以及姿态的估计精度 然而自上而下的第一步：裁剪，丢弃了人体在图中的位置信息，而位置信息对于估计人体的全局旋转角非常重要。以下图为例子，当原图由一个对角线视场 （FOV） 55° 的透视相机所拍摄。 从俯视图来看，CLIFF 的预测结果与真实结果之间的重叠度更高，这要归功于其更准确的全局旋转估计。 这个实验验证了全局位置信息有助于模型预测更加准确地全局旋转以及姿态的猜想。
2K20编辑于 2022-11-07 - 来自专栏云深之无迹
统计学.参数估计（点估计~最大似然估计）
通俗地讲，无偏估计就是说，如果你反复多次地从总体中抽取样本，并用每个样本计算出的估计量来估计总体参数，那么这些估计量的平均值会越来越接近真实的总体参数。 无偏估计意味着在多次抽样中，我们的估计结果平均来说是准确的。 例如，我们想估计一个班级的平均身高，就可以随机抽取一部分学生测量身高，然后用样本的平均身高来估计整个班级的平均身高。 矩估计：基于样本矩与总体矩相等的原理进行参数估计。 当对分布形式有较明确的假设，且计算资源充足时，最大似然估计通常能提供更准确的估计。 一般来说，最大似然估计的效率比矩估计更高，即得到的估计量方差更小。 相比于极大似然估计，矩估计的估计效率可能较低。 假设一个总体服从正态分布N(μ, σ²)，我们想估计其均值μ和方差σ²。 总体一阶原点矩： E(X) = μ 描述了分布的中心位置。
59210编辑于 2024-11-25 - 来自专栏一点人工一点智能
GPS-IMU传感器融合用于可靠的自动驾驶车辆位置估计
然而，IMU的实用性受到随时间漂移的影响，这会导致从加速度数据推导出的速度和位置估计累积误差。 为了减轻每种传感器类型的限制，GPS和IMU数据的融合成为一种关键策略。 实验结果表明，与仅使用GPS相比，融合技术可以显著降低位置估计的均方根误差（RMSE）。 他们使用了KITTI数据集中的GNSS和IMU数据，并将其用于车辆位置和速度估计。同时，作者还使用了无迹卡尔曼滤波器（UKF）来融合这些数据。 结果显示，与仅使用GNSS相比，融合技术可以显著降低位置估计的均方根误差（RMSE）。 实验结果表明，与仅使用GNSS相比，融合技术可以显著降低位置估计的均方根误差（RMSE），这对于自动驾驶车辆的安全操作至关重要。
64800编辑于 2024-05-27 - 来自专栏又见苍岚
矩估计
本文介绍矩估计的思想。 参数估计 设总体 X 的分布函数的形式已知，但它的一个或多个参数末知，借助于总体的一个样本来估计总体末知参数的值的问题称为参数的点估计问题。 样本 k 阶矩 A_{k} 是 k 阶总体矩 \mu_{k}=E\left(X^{k}\right) 的无偏估计量，这也正是矩估计法的原理。 ，接着用样本 k 阶矩替换 k 阶矩即完成估计。 例 问设总体X在[a,b]上服从均匀分布，X_1,…,X_n是来自X的样本，试求a,b的矩估计量。 代替 \mu_{1}, \mu_{2} 得到 a, b 的矩估计量为： image.png 参考资料 https://zhuanlan.zhihu.com/p/55780975
2K10编辑于 2022-08-06 - 来自专栏一点人工一点智能
GPS-IMU传感器融合用于可靠的自动驾驶车辆位置估计
然而，IMU的实用性受到随时间漂移的影响，这会导致从加速度数据推导出的速度和位置估计累积误差。为了减轻每种传感器类型的限制，GPS和IMU数据的融合成为一种关键策略。 实验结果表明，与仅使用GPS相比，融合技术可以显著降低位置估计的均方根误差（RMSE）。 他们使用了KITTI数据集中的GNSS和IMU数据，并将其用于车辆位置和速度估计。同时，作者还使用了无迹卡尔曼滤波器（UKF）来融合这些数据。 结果显示，与仅使用GNSS相比，融合技术可以显著降低位置估计的均方根误差（RMSE）。 实验结果表明，与仅使用GNSS相比，融合技术可以显著降低位置估计的均方根误差（RMSE），这对于自动驾驶车辆的安全操作至关重要。
1.5K10编辑于 2024-05-17 - 来自专栏全栈程序员必看
极大似然估计和贝叶斯估计的联系(似然估计和最大似然估计)
2.参数估计的方法 就是根据样本统计量的数值对总体参数进行估计的过程。根据参数估计的性质不同，可以分成两种类型：点估计和区间估计。 点估计就是用样本统计量的某一具体数值直接推断未知的总体参数。 而对总体参数进行点估计常用的方法有两种：矩估计与最大似然估计，其中最大似然估计就是我们实际中使用非常广泛的一种方法。 按这两种方法对总体参数进行点估计，能够得到相对准确的结果。 如用样本均值X估计总体均值，或者用样本标准差S估计总体标准差σ。 但是，点估计有一个不足之处，即这种估计方法不能提供估计参数的估计误差大小。 还是举小学生身高的例子，如果用区间估计的方法推断小学生身高，则会给出以下的表达：根据样本数据，估计小学生的平均身高在1.4~1.5米之间，置信程度为95%，这种估计就属于区间估计。 显然，对于最大似然估计，最大后验估计，贝叶斯估计来说，都属于统计的范畴。
1.4K10编辑于 2022-07-25 - 来自专栏后端技术
最大似然估计 最大后验估计
则MAP值为0, 0.0125 , 0.125, 0.28125, 0.1 通过MAP估计可得结果是从第四个袋子中取得的最高。 上述都是离散的变量，那么连续的变量呢？
1K50发布于 2019-06-24 - 来自专栏SnailTyan
贝叶斯估计、最大似然估计、最大后验概率估计
引言 贝叶斯估计、最大似然估计(MLE)、最大后验概率估计(MAP)这几个概念在机器学习和深度学习中经常碰到，读文章的时候还感觉挺明白，但独立思考时经常会傻傻分不清楚(?) 2.9 推断统计中需要了解的一些概念 假设实际观测值与真实分布相关，试图根据观测值来推测真实分布 由于观测值取值随机，因此由它们计算得到的估计值也是随机值 估计方式多种多样，且不同估计方式得到的估计值也有所不同 频率学派的代表是最大似然估计；贝叶斯学派的代表是最大后验概率估计。 最大似然估计(MLE) 最大似然估计，英文为Maximum Likelihood Estimation，简写为MLE，也叫极大似然估计，是用来估计概率模型参数的一种方法。 贝叶斯估计 贝叶斯估计是最大后验估计的进一步扩展，贝叶斯估计同样假定θ\thetaθ是一个随机变量，但贝叶斯估计并不是直接估计出θ\thetaθ的某个特定值，而是估计θ\thetaθ的分布，这是贝叶斯估计与最大后验概率估计不同的地方
1.5K21发布于 2019-05-25 - 来自专栏深度学习进阶
基线估计
再回到实际的工业场景，以自动驾驶为例，影响样本不确定性的因素有时间（白天黑夜春夏秋冬）、天气（晴阴雨雪）、地理位置（城市农村山区平原），如果实际环境出现了模型不确定的样本，模型预测出错所带来的影响可能是十分严峻的 基线估计是我在蚂蚁的工作项目所抽象出来的算法框架，它原本是针对运维领域内的容量场景所做的基线区间估计，就落地场景而言，它还是比较局限的，但基线估计这个概念本身是不局限的，这个概念在领域内的名称可能多种多样 ，基线估计除了可以用来做指标的异常检测，还可以应用于其他诸多场景。 非参数估计 kernel density estimator: Erdogmus[21]等人使用核密度估计来多维数据的分布进行拟合。 未知数据的归属将取决于他们相对于各边界的位置。
1.1K20发布于 2021-09-15 - 来自专栏全栈程序员必看
信道估计LS和MMSE_盲信道估计
本期目录 引言 基本假设 LS信道估计 LS信道估计工程实现 MMSE信道估计 LMMSE信道估计 LMMSE实现 引言 信道估计主要分为非盲信道估计和盲信道估计。 顾名思义，非盲信道估计需要使用基站和接收机均已知的导频序列进行信道估计，并使用不同的时频域插值技术来估计导频之间或者符号之间的子载波上的信道响应。 目前主要使用的非盲信道估计包括最小二乘（LS）信道估计、最小均方误差（MMSE）信道估计、基于DFT的信道估计以及基于判决反馈信道估计等；而盲信道估计不需要已经已知的导频序列，主要包括基于最大期望的信道估计 在下文中用 H ^ \hat{H} H^表示对信道 H H H的估计。 LS信道估计 LS信道估计是根据最小二乘准则的信道估计方法。 ,N−1 MMSE信道估计 MMSE估计是在LS估计的基础上增加了加权矩阵W，改用最小均方误差准则进行优化。
2.2K20编辑于 2022-11-17 - 来自专栏全栈程序员必看
信道估计算法_时域信道估计算法
在接收端，捕获同步以后，信道估计就显得尤为重要，因为信道估计的好坏直接影响了后续的信道均衡性能。 在单载波频域均衡(SC-FDE)系统中是在未知数据中间插入已知的训练序列，通过上述的估计算法估计出已知训练序列处的信道，再通过一定的插值算法插出未知数据处的信道。 这种系统的信道估计一般都是在时域完成的。 而训练序列是为了信道估计，有的人还用它做同步调整。 因此，使用压缩感知技术的信道估计，只需较少的导频数量，就能得到信道的完整估计。 3）信号重构算法。使用不同的重构算法，都会使信道估计的性能有所差异。
1.1K30编辑于 2022-11-01 - 来自专栏Python与算法之美
一文读懂矩估计、极大似然估计和贝叶斯估计
参数估计最主要的方法包括矩估计法，极大似然估计法，以及贝叶斯估计法。 机器学习中常常使用的是极大似然估计法和贝叶斯估计法。 一，矩估计法 矩估计的基本思想是用样本的k阶矩作为总体的k阶矩的估计量，从而解出未知参数。 例如X服从正态分布，但μ和σ参数未知。 对X采样N次，得到 试估计参数 μ 和σ 解：用样本的一阶距估计总体的一阶距，用样本的二阶中心距估计总体的二阶中心距。 可以得到： 对 的估计是有偏的， 无偏估计是 二，极大似然估计法 极大似然估计法简称MLE(Maximum Likelihood Estimation). 对X采样n次，得到 试估计参数 μ 和σ 解： 正态分布的概率密度函数为 对应的对数似然函数为 对数似然函数取极大值时，有 解得 三，贝叶斯估计法 贝叶斯估计也叫做最大后验概率估计法,
5.5K30发布于 2020-08-11 - 来自专栏海风
基音周期估计
这是语音信号的数字处理课程的课程作业，这里采用了自相关法对基音周期进行估计。语料采样率：8kHz；量化精度为16bits/sample； 1、 算法描述 本次实验选择了自相关方法对基音周期进行估计。 f_xcorr(n,:) = conv(f_c(n,:),f_c_inv(n,:)); 45 end 46 f_xcorr = f_xcorr(:,160:319); 47 %% 48 % 找出最大值位置 语音只有短期的平稳特性，譬如对整个语料做谱估计结果如下图所示，这样的信号是完全无法辨别基音频率的 ? (3). 为何要分前后段求最大幅度？ 基音估计每帧要有两个周期，而幅度是会改变的，如果我们求最大值，那么阈值选择很有可能是不合适的。 ? (4). 互（自）相关求解的是什么？ 削波可以使得在基音周期位置呈现大的峰值，获得更良好的性能。三电平削波可以简化自相关运算，然而其性能却没有中心削波好。
1.1K20发布于 2019-09-11 - 来自专栏下落木
无偏估计
换句话说，希望估计量的均值（数学期望）应等于未知参数的真值，这就是所谓无偏性（Unbiasedness）的要求。 数学期望等于被估计的量的统计估计量称为无偏估计量。 进行估计的时候也是，估计量越靠近目标，效果越“好”。这个“靠近”可以用方差来衡量。 比如，仍然对μ进行估计，方差越小，估计量的分布越接近μ。 有效估计和无偏估计是不相关的： 举个例子，从N(μ,σ^2)中抽出10个样本：{x1, x2, ..., xn}下面两个都是无偏估计量： 但是后者比前者方差小，后者更有效。 并且在现实中不一定非要选无偏估计量，比如： 如果能接受点误差，选择右边这个估计量更好。 一致性 之前说了，如果用以下式子去估计方差σ^2： 会有一个偏差：σ^2/n。 那么这个估计就是“一致”的。 如果样本数够多，其实这种有偏但是一致的估计量也是可以选的。
1.4K10发布于 2021-10-13 - 来自专栏点云PCL
PCL法线估计
为了估计它们，代码分析如下 #include <pcl/io/pcd_io.h> #include <pcl/features/normal_3d.h> #include <boost/thread/thread.hpp cloud);//对于每一个点都用半径为3cm的近邻搜索方式normalEstimation.setRadiusSearch(0.03); //Kd_tree是一种数据结构便于管理点云以及搜索点云，法线估计对象会使用这种结构来找到最近邻点 可能看不处什么效果********************* (2)图像积分 积分图像是对有序点云的发现的估计的一种方法。 = 0) { return -1; } // 法线估计对象pcl::IntegralImageNormalEstimation<pcl::PointXYZ, pcl ::Normal> normalEstimation; normalEstimation.setInputCloud(cloud); // 法线估计方法: COVARIANCE_MATRIX
2.4K30发布于 2019-07-31 - 来自专栏机器学习、深度学习
行人姿态估计
ZheC/Realtime_Multi-Person_Pose_Estimation 效果演示视频： https://youtu.be/pW6nZXeWlGM 如果可以看youtu 的话 多人姿态实时估计
66130发布于 2019-05-26 - 来自专栏NLP算法工程师之路
最大似然估计和最大后验估计
图片来自网站 频率学派 - Frequentist - Maximum Likelihood Estimation (MLE，最大似然估计) 贝叶斯学派 - Bayesian - Maximum A Posteriori (MAP，最大后验估计) 问题引入 已知一组数据集 $D={x_1,x_2,…,x_n}$ 是独立地从概率分布 $P(x)$ 上采样生成的，且 $P(x)$ 具有确定的形式（如高斯分布，二项分布等）但参数 ，对参数 $\theta$ 进行估计，此便是极大似然估计的核心思想。 最大似然估计 Maximum Likelihood Estimation, MLE是频率学派常用的估计方法。 最大后验估计 Maximum A Posteriori, MAP是贝叶斯学派常用的估计方法。
1.4K20发布于 2019-12-18 - 来自专栏机器学习与推荐算法
极大似然估计与最大后验概率估计
前言 不知看过多少次极大似然估计与最大后验概率估计的区别，但还是傻傻分不清楚。或是当时道行太浅，或是当时积累不够。 假设对世界先有一个预先的估计，然后通过获取的信息来不断调整之前的预估计。 他们不试图对事件本身进行建模，而是从旁观者的角度来说。 极大似然估计与最大后验概率估计 我们这有一个任务，就是根据已知的一堆数据样本，来推测产生该数据的模型的参数，即已知数据，推测模型和参数。 因此根据两大派别的不同，对于模型的参数估计方法也有两类：极大似然估计与最大后验概率估计。 ① 极大似然估计（MLE） -她是频率学派模型参数估计的常用方法。 ② 最大后验概率估计（MAP） -她是贝叶斯派模型参数估计的常用方法。
1.8K40发布于 2019-08-16 - 来自专栏Python编程 pyqt matplotlib
OpenCV 深度估计
先来介绍两个基本概念： 深度图：它是灰度图像，该图像的每个像素值都是摄像头到物体表面之间的距离的估计值。 视差图：它也是灰度图，该图像的每个像素值代表物体表面的立体视差。 对于视差的理解自己可以体验一下：将手指头放在离眼睛不同距离的位置，并轮换睁、闭左右眼，可以发现手指在不同距离的位置，视觉差也不同，且距离越近，视差越大。 我们还可以根据同一物体在不同视角下拍摄的两幅图像计算视差图来进行深度估计。但是要注意这两幅图像需是距物体相同距离拍摄的，否则计算将会失败。
2.6K20发布于 2019-09-12 - 来自专栏AutoML(自动机器学习)
无偏估计
定义 无偏估计：估计量的均值等于真实值，即具体每一次估计值可能大于真实值，也可能小于真实值，而不能总是大于或小于真实值（这就产生了系统误差）。 估计量评价的标准 （1）无偏性 如上述 （2）有效性 有效性是指估计量与总体参数的离散程度。如果两个估计量都是无偏的，那么离散程度较小的估计量相对而言是较为有效的。 但是对一个随机变量X，需要估计它的均值和方差，此时才用分母为n-1的公式来估计他的方差，因此分母是n-1才能使对方差的估计（而不是方差）是无偏的。 但是，在实际估计随机变量X的方差的时候，我们是不知道它的真实期望的，而是用期望的估计值\(\overline{X}\)去估计方差，那么： ? 无偏估计虽然在数学上更好，但是并不总是“最好”的估计，在实际中经常会使用具有其它重要性质的有偏估计。 原文链接:无偏估计 MARSGGBO♥原创 2018-8-4
1.7K10发布于 2018-08-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号