使用合成似然的街道场景未来状态的贝叶斯预测
计算机视觉与模式识别
2019-01-23 v3 机器学习
摘要
对于自主智能体在真实世界中成功运行，预见未来场景状态的能力是一项关键本领。在真实世界场景中，未来状态变得愈发不确定且多模态，尤其在长时间跨度上。基于 dropout 的贝叶斯推断提供了一种计算上易处理、理论上根基扎实的方法，用以学习可能的假设/模型来处理不确定的未来并做出与观测吻合良好——即校准良好——的预测。然而，事实证明此类方法不足以捕捉复杂的真实世界场景，甚至在准确性上落后于普通的确定性方法。这是因为所使用的对数似然估计抑制了多样性。在本工作中，我们提出一种新颖的贝叶斯公式用于预见未来场景状态，其利用合成似然来鼓励学习多样的模型以准确捕捉未来场景状态的多模态本质。我们通过 Cityscapes 数据集上关于场景预见的广泛实验表明，我们的方法实现了准确的最先进的预测与校准的概率。此外，我们表明我们的方法可泛化至诸如数字生成与降水预报等多样任务。
引用
@article{arxiv.1810.00746,
title = {Bayesian Prediction of Future Street Scenes using Synthetic Likelihoods},
author = {Apratim Bhattacharyya and Mario Fritz and Bernt Schiele},
journal= {arXiv preprint arXiv:1810.00746},
year = {2019}
}
备注
To appear in ICLR 2019. arXiv admin note: text overlap with arXiv:1806.06939