論文の概要: Towards Non-Parametric Models for Confidence Aware Image Prediction from
Low Data using Gaussian Processes
- arxiv url: http://arxiv.org/abs/2307.11259v1
- Date: Thu, 20 Jul 2023 22:35:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 14:11:13.274555
- Title: Towards Non-Parametric Models for Confidence Aware Image Prediction from
Low Data using Gaussian Processes
- Title(参考訳): ガウス過程を用いた低データからの信頼度画像予測のための非パラメトリックモデルに向けて
- Authors: Nikhil U. Shinde, Florian Richter, Michael C. Yip
- Abstract要約: 我々は、非常に少ないトレーニングデータから、画像シーケンスの将来の画像を予測する問題に焦点をあてる。
逐次予測画像上で確率分布を生成し、時間を通して不確実性を伝播し、信頼度を生成する。
本研究では,スムーズな流体シミュレーション環境における将来のフレームの予測に成功して,本手法を実証する。
- 参考スコア(独自算出の注目度): 24.086152086351408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to envision future states is crucial to informed decision making
while interacting with dynamic environments. With cameras providing a prevalent
and information rich sensing modality, the problem of predicting future states
from image sequences has garnered a lot of attention. Current state of the art
methods typically train large parametric models for their predictions. Though
often able to predict with accuracy, these models rely on the availability of
large training datasets to converge to useful solutions. In this paper we focus
on the problem of predicting future images of an image sequence from very
little training data. To approach this problem, we use non-parametric models to
take a probabilistic approach to image prediction. We generate probability
distributions over sequentially predicted images and propagate uncertainty
through time to generate a confidence metric for our predictions. Gaussian
Processes are used for their data efficiency and ability to readily incorporate
new training data online. We showcase our method by successfully predicting
future frames of a smooth fluid simulation environment.
- Abstract(参考訳): 将来の状態を想定する能力は、動的環境と対話しながらインフォームドな意思決定に不可欠である。
カメラが広範かつ情報に富んだ知覚モダリティを提供することで、画像シーケンスから将来の状態を予測できるという問題が注目されている。
工法の現状は、通常、予測のために大きなパラメトリックモデルを訓練する。
精度で予測できることが多いが、これらのモデルは有用なソリューションに収束するために、大規模なトレーニングデータセットの可用性に依存している。
本稿では,非常に少ないトレーニングデータから画像系列の将来の画像を予測する問題に着目する。
この問題に取り組むために,非パラメトリックモデルを用いて確率論的手法による画像予測を行う。
逐次予測画像上で確率分布を生成し,不確かさを時間を通して伝播し,予測に対する信頼度指標を生成する。
gaussianプロセスは、データ効率と、オンラインに新しいトレーニングデータを組み込む能力のために使用される。
滑らかな流体シミュレーション環境における将来のフレーム予測に成功し,提案手法を紹介する。
関連論文リスト
- Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳(メタデータ) (2024-02-23T06:09:45Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳(メタデータ) (2023-04-20T07:29:23Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳(メタデータ) (2022-02-18T17:09:32Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - Backward-Compatible Prediction Updates: A Probabilistic Approach [12.049279991559091]
本稿では,予測更新問題を定式化し,上記の質問に対する効率的な確率的アプローチを提案する。
標準分類ベンチマークデータセットの広範な実験において,提案手法は後方互換性のある予測更新のための代替戦略よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-02T13:05:31Z) - FitVid: Overfitting in Pixel-Level Video Prediction [117.59339756506142]
われわれはFitVidという新しいアーキテクチャを導入し、一般的なベンチマークに厳しいオーバーフィッティングを行えるようにした。
FitVidは、4つの異なるメトリクスで4つの異なるビデオ予測ベンチマークで現在の最先端モデルを上回っている。
論文 参考訳(メタデータ) (2021-06-24T17:20:21Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳(メタデータ) (2021-06-10T21:49:23Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳(メタデータ) (2021-02-22T07:02:37Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳(メタデータ) (2021-01-05T18:54:11Z) - Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
時系列モデルの構築とトレーニングのための新しいアプローチを提案する。
提案手法は,非定常時系列の予測モデル構築に適している。
論文 参考訳(メタデータ) (2020-11-23T21:28:03Z) - PrognoseNet: A Generative Probabilistic Framework for Multimodal
Position Prediction given Context Information [2.5302126831371226]
本稿では,予測問題を分類タスクとして再構成し,強力なツールを実現する手法を提案する。
潜在変数のスマートな選択は、分類問題と非常に単純化された回帰問題の組み合わせとして、ログ様関数の再構成を可能にする。
提案手法は文脈情報を容易に組み込むことができ、データの事前処理は不要である。
論文 参考訳(メタデータ) (2020-10-02T06:13:41Z)
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。