本文研究了将深度网络的多层表示与强大的RNN模型相结合的模型 - 深度递归神经网络，通过合适的正则化和端到端的训练方法，该模型在TIMIT语音识别基准测试中获得了最佳记录得分17.7％。

Mar, 2013

使用多维循环神经网络(MDRNN)与时序分类(CTC)的方法来识别图像上的手写文字，并通过引入一维LSTM单元的有用和必要属性来提高其稳定性，在IFN/ENIT和Rimes数据库上比较并展示其在手写字体识别上的提高效果。

Dec, 2014

本文对于近三十年来产生和实践了重要的循环神经网络（RNN），LSTM和BRNN等模型的研究进行综述，旨在提供一个自成体系的最前沿阐述和历史视角，并引用了相关研究文献。

May, 2015

本文提出了一种用于图像分割的PyraMiD-LSTM模型，相较Convolutional Neural Networks和 Multi-Dimensional Recurrent NNs 具有更好的数据并行化的能力，并在MRBrainS13中实现了最佳像素级别的脑影像分割结果。

Jun, 2015

引入了分段循环神经网络（SRNN），并使用全局半马尔可夫条件随机场来集成本地兼容性分数，从而在手写识别和汉语分词/词性标注方面获得了显着更高的准确性。

Nov, 2015

本文提出了一种针对离线手写段落文本识别的神经网络模型，利用注意力权重计算图像表示，实现了一种隐式行分割的可训练端到端模型，试验结果表明其性能与传统基于线段的模型竞争力相当，具有将全文档转录实现的潜力。

Apr, 2016

该研究提出了一种新型的循环神经网络模型，即循环加权平均模型，它能够在处理符号时利用之前处理步骤的所有信息，表现强于标准LSTM模型。

Mar, 2017

本文提出了一种递归神经网络用于语义图像分割，该网络可在各种计算预算的范围内部署，并可用于有效地分割静态图像和视频。该方法通过利用先前帧的分割来进行视频分割，在降低计算成本的同时保持了分割质量。

Nov, 2017

研究提出了一种用四元数代替实数的递归神经网络来处理多维特征，从而更好地模拟长期依赖，并在语音识别应用中表现出更好的性能和更紧凑的表示方式。

Jun, 2018

本研究解决了递归神经网络（RNN）在处理静态图像时的不典型应用，通常该任务由卷积神经网络（CNN）主导。论文提出将像素视为序列来处理图像，并设计了一种新的二维输入RNN结构，尤其适合嵌入式系统。实验结果表明，在COCO和CIFAR100数据集上，这一方法在小型网络中具有更好的性能。

Sep, 2024