差分循环神经网络用于动作识别
使用深度可微分循环神经网络 (d2RNN) 和微分状态,对长短期记忆网络 (LSTM) 进行改进,使其能够检测连续输入数据中的空间时间动态信息,并在人类活动数据集 NUS-HGA 和 Violent-Flows 上超越了最先进的 LSTM 和非 LSTM 算法。
Apr, 2018
L2STM 是一种通过学习独立的隐藏状态转移来增强模型的时间动力学建模能力以及解决长期时间动态不稳定的问题的方法,结合多模态训练程序,在人类动作识别方面表现优于现有的基于 LSTM 和 / 或 CNN 的方法。
Aug, 2017
本文提出了一种神经网络 shuttleNet,可以结合 CNN-RNN 框架来进行更有效的序列学习,其特点在于运用了循环反馈连接和注意力机制来模拟神经系统中的信息流动。
Nov, 2016
本研究提出了一种基于 RNN 的学习方法,通过树形结构遍历骨骼图来分析 3D 运动数据的时空依赖关系,并引入新的门控机制来处理 3D 骨骼数据中的噪声和遮挡,从而实现对动作数据的高效分析及提取。
Jul, 2016
本文使用可视化技术研究了 LSTM 和 GRU 在语音识别任务中的行为,并提出两种简单而有效的网络结构修改:LSTM 中的懒惰单元更新和残差学习的快捷连接。两种修改都使得网络更加易于理解和强大。
Sep, 2016
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
本文提出了一种新型的双流 RNN 架构,用于模拟基于骨架的动作识别中的时间动态和空间配置,并探索了两种不同的时间流结构:叠加 RNN 和分层 RNN,以及两种转换空间结构的有效方法,还利用旋转和缩放变换来改善模型的泛化性能。实验表明,我们的方法在各种动作,如一般动作、互动活动和手势中,都带来了相当大的改进。
Apr, 2017
Differential State Framework (DSF) 统一了先前引入的门控神经模型, Delta-RNN 是 DSF 框架下的一种新体系,可以学习在快速变化的数据驱动表示和慢慢变化的隐含稳定状态之间插值,使长时间滞后的信息得以得以保留,性能表现优于 LSTM、GRU 等流行的复杂表现系统。
Mar, 2017
本论文提出了一种基于骨骼的人体动作识别方法,该方法采用循环神经网络建模体关节的 3D 位置配置之间的时间依赖关系,利用空间域和时间域共同分析骨架序列中与动作相关信息的潜在来源,并提出了一种有效的基于树状结构的遍历框架,以处理 Kinect 骨架数据中的噪声。该方法采用了新的 LSTM 模块中的门机制,通过学习连续数据的可靠性,并相应地调整长期上下文表示存储在单元的内存单元中输入数据的影响,从而处理骨架数据中的噪声,并提出了一种新颖的多模态特征融合策略。实验结果表明该方法在 7 个具有挑战性的基准数据集上具有很好的效果。
Jun, 2017