論文の概要: Video prediction using score-based conditional density estimation

• arxiv url: http://arxiv.org/abs/2411.00842v1
• Date: Wed, 30 Oct 2024 03:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:51:17.333754
• Title: Video prediction using score-based conditional density estimation
• Title（参考訳）: スコアベース条件付き密度推定を用いた映像予測
• Authors: Pierre-Étienne H. Fiquet, Eero P. Simoncelli,
• Abstract要約: ビデオ中の次のフレームの条件密度を学習し、サンプリングするための暗黙の回帰に基づくフレームワークについて述べる。 本研究では, 時間的予測のための適応表現を抽出し, 単純なレジリエンス・ツー・ノイズ対象関数に基づいて訓練したシーケンス・ツー・イメージのディープネットワークを示す。
• 参考スコア（独自算出の注目度）: 9.190468260530634
• License:
• Abstract: Temporal prediction is inherently uncertain, but representing the ambiguity in natural image sequences is a challenging high-dimensional probabilistic inference problem. For natural scenes, the curse of dimensionality renders explicit density estimation statistically and computationally intractable. Here, we describe an implicit regression-based framework for learning and sampling the conditional density of the next frame in a video given previous observed frames. We show that sequence-to-image deep networks trained on a simple resilience-to-noise objective function extract adaptive representations for temporal prediction. Synthetic experiments demonstrate that this score-based framework can handle occlusion boundaries: unlike classical methods that average over bifurcating temporal trajectories, it chooses among likely trajectories, selecting more probable options with higher frequency. Furthermore, analysis of networks trained on natural image sequences reveals that the representation automatically weights predictive evidence by its reliability, which is a hallmark of statistical inference
• Abstract（参考訳）: 時間的予測は本質的に不確実であるが、自然画像列の曖昧さを表すことは、高次元確率的推論の問題である。 自然の場面では、次元性の呪いは統計的に、計算的にも、明らかな密度推定を導き出す。 ここでは、前回観測されたフレームの条件密度を学習し、サンプリングする暗黙回帰に基づくフレームワークについて述べる。 本研究では, 時間的予測のための適応表現を抽出し, 単純なレジリエンス・ツー・ノイズ対象関数に基づいて訓練したシーケンス・ツー・イメージのディープネットワークを示す。 このスコアベースのフレームワークが閉塞境界を扱えることを合成実験は示している: 時間軌道の分岐平均よりも平均的な古典的手法とは異なり、より高い周波数でより確率の高い選択肢を選択する。 さらに、自然画像系列に基づいて訓練されたネットワークの解析により、その表現は、その信頼性によって予測的証拠を自動的に重み付けすることが明らかとなり、これは統計的推測の目印となる。

関連論文リスト

• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Keypoint-Based Category-Level Object Pose Tracking from an RGB Sequence with Uncertainty Estimation [29.06824085794294]
  本稿では,既知のカテゴリ内のオブジェクトのインスタンスを同時に検出・追跡するカテゴリレベルの6-DoFポーズ推定アルゴリズムを提案する。 提案手法は, モノクロビデオRGBのフレームと現在のフレームと, 前フレームからの予測を入力として, 境界立方体とポーズの予測を行う。 本フレームワークは, 従来の不確実性を考慮し, その結果, 単一フレーム法よりも高精度な予測が可能となった。
  論文  参考訳（メタデータ） (2022-05-23T05:20:22Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
  生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。 生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。 本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-15T15:51:12Z)
• A Hierarchical Variational Neural Uncertainty Model for Stochastic Video Prediction [45.6432265855424]
  本稿では,モデルの予測不確かさの原理的定量化であるニューラル不確実性量化器(NUQ)を紹介する。 提案するフレームワークは,最先端モデルと比較して効果的に訓練する。
  論文  参考訳（メタデータ） (2021-10-06T00:25:22Z)
• 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)
• Scene Uncertainty and the Wellington Posterior of Deterministic Image Classifiers [68.9065881270224]
  Wellington Posteriorは、同じシーンで生成された可能性のあるデータに応答して得られるであろう結果の分布である。 We we explore the use of data augmentation, dropout, ensembling, single-view reconstruction and model linearization to compute a Wellington Posterior。 他にも、生成逆数ネットワーク、ニューラルレイディアンスフィールド、条件付き事前ネットワークなどの条件付き生成モデルの使用がある。
  論文  参考訳（メタデータ） (2021-06-25T20:10:00Z)
• 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)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。