Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Gaussian Mixture Modeling with Gaussian Process Latent Variable Models

Nickisch, H., & Rasmussen, C. (2010). Gaussian Mixture Modeling with Gaussian Process Latent Variable Models. In M. Goesele, S. Roth, A. Kuijper, B. Schiele, & K. Schindler (Eds.), DAGM 2010: Pattern Recognition (pp. 271-282). Berlin, Germany: Springer.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-BE68-A Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-7F25-7
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://link.springer.com/content/pdf/10.1007%2F978-3-642-15986-2_28.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Nickisch, H1, 2, Autor           
Rasmussen, CE1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Density modeling is notoriously difficult for high dimensional data. One approach to the problem is to search for a lower dimensional manifold which captures the main characteristics of the data. Recently, the Gaussian Process Latent Variable Model (GPLVM) has successfully been used to find low dimensional manifolds in a variety of complex data. The GPLVM consists of a set of points in a low dimensional latent space, and a stochastic map to the observed space. We show how it can be interpreted as a density model in the observed space. However, the GPLVM is not trained as a density model and therefore yields bad density estimates. We propose a new training strategy and obtain improved generalisation performance and better density estimates in comparative evaluations on several benchmark data sets.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2010-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1007/978-3-642-15986-2_28
BibTex Citekey: 6716
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 32nd Annual Symposium of the German Association for Pattern Recognition (DAGM 2010)
Veranstaltungsort: Darmstadt, Germany
Start-/Enddatum: 2010-09-22 - 2010-09-24

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: DAGM 2010: Pattern Recognition
Genre der Quelle: Konferenzband
 Urheber:
Goesele, M, Herausgeber
Roth, S, Herausgeber
Kuijper, A, Herausgeber
Schiele, B, Herausgeber
Schindler, K, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Berlin, Germany : Springer
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 271 - 282 Identifikator: ISBN: 978-3-642-15986-2

Quelle 2

einblenden:
ausblenden:
Titel: Lecture Notes in Computer Science
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 6376 Artikelnummer: - Start- / Endseite: - Identifikator: -