关键词mixture density networks
搜索结果 - 6
- 混合密度网络在产品捆绑分类中的应用
本文提出了两种基于混合密度网络的分类模型,通过将高斯混合模型拟合到数据中,并使用拟合的分布通过评估学习到的累积分布函数对给定样本进行分类。这些模型在三个公开数据集上表现略优于或与五个基准分类模型相当,并通过真实世界的产品捆绑应用展示了其实际 - 考虑驾驶异质性的纵向轨迹的概率性预测与可解释性
基于混合密度网络(MDN)的轨迹预测框架结合驾驶异质性提供概率化和个性化预测,在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹,而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。
- AAAI多假设丢弃:多模态输出分布参数估计
通过使用多假设 dropout 和一种新颖的随机分胜负损失函数,本文提出了一个混合多输出函数 (MoM) 方法,该方法不仅估计均值而且估计假设的方差,并在监督学习和无监督学习问题上实验验证了其性能优越性。
- MTP-GO:基于图的概率多智能体轨迹预测与神经 ODE
提出了一种名为 MTP-GO 的模型,该模型使用时间图神经网络对场景进行编码,并使用神经常微分方程实现运动模型,通过结合混合密度网络和卡尔曼滤波的概念提供多模态概率预测,证明了其在各种数据集上的预测能力优于现有方法
- ICCV基于概率建模的深度目标检测主动学习
本文提出了一种基于混合密度网络的深度主动学习方法,该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性,使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数,通过 PASCAL VOC 和 MS-COCO - RNADE: 基于神经网络的实数值自回归密度估计器
基于 RNADE(Real-valued Vector Joint Density Estimation)的混合密度网络模型,可实现对真实数向量数据的密度估计并进行直接比较处理,其性能对于异构和感知数据均优于混合模型,且具有易于计算和基于梯