高斯过程深度信念网络：一种具有不确定性传播的形状平滑生成模型
机器学习
2018-12-14 v1 计算机视觉与模式识别
机器学习
摘要
物体的形状是许多视觉问题（如分割、检测与跟踪）的重要特征。由于形状与外观无关，仅用少量数据即可泛化至大量物体。然而，以轮廓图像表示的形状因似然函数复杂导致后验难以处理，故难以建模。本文提出一种形状生成模型，其提供低维潜在编码，且关键在于该编码相对于轮廓图像位于光滑流形上。所提模型以原则性方式传播不确定性，使其能从少量数据中学习，并给出带有相应不确定性的预测。我们通过实验表明，与当前最优方法相比，所提模型取得了更优的定量结果，同时提供了位于低维可解释流形上的表示。
引用
@article{arxiv.1812.05477,
title = {Gaussian Process Deep Belief Networks: A Smooth Generative Model of Shape with Uncertainty Propagation},
author = {Alessandro Di Martino and Erik Bodin and Carl Henrik Ek and Neill D. F. Campbell},
journal= {arXiv preprint arXiv:1812.05477},
year = {2018}
}