論文の概要: CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction
- arxiv url: http://arxiv.org/abs/2109.02965v1
- Date: Tue, 7 Sep 2021 09:38:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 20:02:09.686299
- Title: CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction
- Title（参考訳）: covariancenet:条件付き生成モデルによる人間の運動予測の正確な共分散予測
- Authors: Aleksey Postnikov, Aleksander Gamayunov, Gonzalo Ferrer
- Abstract要約: 本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
- 参考スコア（独自算出の注目度）: 71.31516599226606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The correct characterization of uncertainty when predicting human motion is
equally important as the accuracy of this prediction. We present a new method
to correctly predict the uncertainty associated with the predicted distribution
of future trajectories. Our approach, CovariaceNet, is based on a Conditional
Generative Model with Gaussian latent variables in order to predict the
parameters of a bi-variate Gaussian distribution. The combination of
CovarianceNet with a motion prediction model results in a hybrid approach that
outputs a uni-modal distribution. We will show how some state of the art
methods in motion prediction become overconfident when predicting uncertainty,
according to our proposed metric and validated in the ETH data-set
\cite{pellegrini2009you}. CovarianceNet correctly predicts uncertainty, which
makes our method suitable for applications that use predicted distributions,
e.g., planning or decision making.
- Abstract（参考訳）: 人間の動きを予測する際の不確実性の正確な評価は、この予測の精度と同じくらい重要である。
本稿では,将来の軌道分布の予測に係わる不確実性を正確に予測する新しい手法を提案する。
提案手法であるCovariaceNetは,二変量ガウス分布のパラメータを予測するために,ガウス潜在変数を持つ条件生成モデルに基づいている。
共分散ネットと運動予測モデルの組み合わせは、一様分布を出力するハイブリッドアプローチをもたらす。
我々は、不確実性を予測する際に、動き予測におけるいくつかの技術手法が、不確実性を予測する際に、どのように自信過剰になるかを示す。
covariancenetは不確実性を正しく予測するので、予測分布(例えば、計画や意思決定)を使用するアプリケーションに適している。
関連論文リスト
- Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。
提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
論文 参考訳（メタデータ） (2024-11-06T05:57:28Z) - Conformalized Interval Arithmetic with Symmetric Calibration [9.559062601251464]
我々は,複数の目標の和に対する予測区間に対して,単一目標に対する共形予測区間を開発する。
提案手法は, 既存のコンフォメーション手法や非コンフォメーション手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-20T15:27:18Z) - Invariant Probabilistic Prediction [45.90606906307022]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。
Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文 参考訳（メタデータ） (2023-09-18T18:50:24Z) - Conditional validity of heteroskedastic conformal regression [12.905195278168506]
等角予測と分割等角予測は、統計的保証付き予測間隔を推定するための分布自由なアプローチを提供する。
近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。
本稿では,正規化やモンドリアン等式予測などの手法を用いて,予測間隔の構築方法について,新たな光を当てることを試みる。
論文 参考訳（メタデータ） (2023-09-15T11:10:46Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。