Advanced search
1 file | 10.67 MB Add to list

Learning from video in continuous time using physics priors and fractional noise

Rembert Daems (UGent)
(2025)
Author
Promoter
(UGent) , (UGent) and Tolga Birdal
Organization
Abstract
Camera's zijn alomtegenwoordig in ons dagelijks leven en de hoeveelheidgegenereerde videogegevens is enorm. De mogelijkheid om video-inhoud te analyseren en teinterpreteren heeft verstrekkende gevolgen voor een veelheid aan toepassingen,zoals robotica, autonoom rijden en generatieve kunst. Een camera is een rijke informatiebron die, afhankelijk van de toepassing, goedkoper en informatiever kan zijn dan meerdere andere sensoren.Ons onderzoek toont aan dat het mogelijk is om tegelijkertijd zowelLagrangiaanse dynamica als toestandsschattingsmodellen te leren van beeldenin één leerproces. Ten tweede opent onze vooruitgang in variationelegevolgtrekking voor stochastische processen gedreven door fractioneel ruisnieuwe mogelijkheden voor het modelleren van complexe temporele fenomenenmet lange-termijnafhankelijkheden. Ten slotte stellen we een methode voor,geïnspireerd op optimale controletheorie, om efficiënter SDE's te leren uit data.

Downloads

  • (...).pdf
    • full text (Published version)
    • |
    • UGent only (changes to open access on 2030-06-19)
    • |
    • PDF
    • |
    • 10.67 MB

Citation

Please use this url to cite or link to this publication:

MLA
Daems, Rembert. Learning from Video in Continuous Time Using Physics Priors and Fractional Noise. Ghent University. Faculty of Engineering and Architecture, 2025.
APA
Daems, R. (2025). Learning from video in continuous time using physics priors and fractional noise. Ghent University. Faculty of Engineering and Architecture, Ghent, Belgium.
Chicago author-date
Daems, Rembert. 2025. “Learning from Video in Continuous Time Using Physics Priors and Fractional Noise.” Ghent, Belgium: Ghent University. Faculty of Engineering and Architecture.
Chicago author-date (all authors)
Daems, Rembert. 2025. “Learning from Video in Continuous Time Using Physics Priors and Fractional Noise.” Ghent, Belgium: Ghent University. Faculty of Engineering and Architecture.
Vancouver
1.
Daems R. Learning from video in continuous time using physics priors and fractional noise. [Ghent, Belgium]: Ghent University. Faculty of Engineering and Architecture; 2025.
IEEE
[1]
R. Daems, “Learning from video in continuous time using physics priors and fractional noise,” Ghent University. Faculty of Engineering and Architecture, Ghent, Belgium, 2025.
@phdthesis{01JZ011T0EPB9CVWYGMT7XRMBN,
  abstract     = {{Camera's zijn alomtegenwoordig in ons dagelijks leven en de hoeveelheidgegenereerde videogegevens is enorm. De mogelijkheid om video-inhoud te analyseren en teinterpreteren heeft verstrekkende gevolgen voor een veelheid aan toepassingen,zoals robotica, autonoom rijden en generatieve kunst. Een camera is een rijke informatiebron die, afhankelijk van de toepassing, goedkoper en informatiever kan zijn dan meerdere andere sensoren.Ons onderzoek toont aan dat het mogelijk is om tegelijkertijd zowelLagrangiaanse dynamica als toestandsschattingsmodellen te leren van beeldenin één leerproces. Ten tweede opent onze vooruitgang in variationelegevolgtrekking voor stochastische processen gedreven door fractioneel ruisnieuwe mogelijkheden voor het modelleren van complexe temporele fenomenenmet lange-termijnafhankelijkheden. Ten slotte stellen we een methode voor,geïnspireerd op optimale controletheorie, om efficiënter SDE's te leren uit data.}},
  author       = {{Daems, Rembert}},
  isbn         = {{9789463559928}},
  language     = {{eng}},
  pages        = {{XXVIII, 177}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Learning from video in continuous time using physics priors and fractional noise}},
  year         = {{2025}},
}