Probabilistic Parametric Curves for Sequence Modeling
Abstract:
This work proposes a probabilistic extension to Bézier curves as a basis for effectively modeling stochastic processes with a bounded index set. The proposed stochastic process model is based on Mixture Density Networks and Bézier curves with Gaussian random variables as control points. A key advantage of this model is given by the ability to generate multi-mode predictions in a single inference step, thus avoiding the need for Monte Carlo simulation.
| Zugehörige Institution(en) am KIT | Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) |
| Publikationstyp | Hochschulschrift |
| Publikationsjahr | 2022 |
| Sprache | Englisch |
| Identifikator | ISBN: 978-3-7315-1198-4 ISSN: 1863-6489 KITopen-ID: 1000146434 |
| Verlag | KIT Scientific Publishing |
| Umfang | XII, 194 S. |
| Serie | Karlsruher Schriften zur Anthropomatik / Lehrstuhl für Interaktive Echtzeitsysteme, Karlsruher Institut für Technologie ; Fraunhofer-Inst. für Optronik, Systemtechnik und Bildauswertung IOSB Karlsruhe ; 55 |
| Art der Arbeit | Dissertation |
| Fakultät | Fakultät für Informatik (INFORMATIK) |
| Institut | Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) |
| Prüfungsdaten | 16.12.2021 |
| Prüfungsdatum | 16.12.2021 |
| Schlagwörter | Probabilistische Sequenzmodellierung, Stochastische Prozesse, Neuronale Netzwerke, Parametrische Kurven, Probabilistic Sequence Modeling, Stochastic Processes, Neural Networks, Parametric Curves |
| Relationen in KITopen | |
| Referent/Betreuer | Beyerer, J. |