POSE: Design of Hardware-Friendly Particle-Based Observation Selection PHD Filter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Particle probability hypothesis density (PHD) filtering is a promising technology for the multitarget-tracking problem. Traditional particle PHD filter solutions usually have high computational complexity, and the lack of dedicated hardware has seriously limited their usages in real-time industrial applications. The hardware implementation difficulty of the particle PHD filtering in field-programmable gate array (FPGA) platforms lies in that the number of observations for filtering is time varying while the number of parallel processing units in circuit is fixed. To overcome this challenge, we propose a novel particle-based observation selection (POSE) PHD filter algorithm and its hardware implementation in this paper. Specifically, we opportunistically select a fixed number of observations out of a varying number of observations for filtering, where the approximation error is proved to be negligible by adapting the circuit budget to the environment accordingly. To implement the proposed POSE PHD filter, the hardware design issues are addressed in depth. Extensive simulations demonstrate that the POSE PHD filter has a comparable performance with the traditional one while its hardware implementation challenge is overcome. The hardware experiment results of the POSE PHD filter on a Xilinx Virtex-II Pro FPGA platform match the simulation ones well. Furthermore, the execution time of the implemented hardware circuit is evaluated, and the results show that it can achieve a processing rate of 6.892 kHz with a 50-MHz system clock.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle