May, 2016

使用卷积神经网络进行连锁预测

PDF
TL;DR本文提出一种基于序列到序列模型的视觉任务结构化输出预测方法，该模型使用神经网络，其中每个输出变量依赖于之前预测的输出变量，模型应用于空间定位任务，使用卷积神经网络处理输入图像，并在每个时间步使用多尺度反卷积架构进行空间预测，我们探究了权重共享和权重不共享的效果，并展示了链式预测在单人姿势估计和视频姿势估计方面取得的最佳效果。
sequence-to-sequence modelneural networkscnnsspatial localizationhuman pose estimation
发现论文，激发创造
  • 卷积序列到序列学习

    利用卷积神经网络架构完全替代了循环神经网络的流行序列到序列学习方法，运用门控线性单元简化了梯度传播，为每个解码器层装备了单独的注意力模块，在 GPU 和 CPU 上取得了比 Wu 等人（2016）更高的准确性和十倍以上的速度。

    May, 2017

  • 基于卷积神经网络的条件时间序列预测

    本文提出了一种基于改进的深度卷积 WaveNet 框架的条件时间序列预测方法，该方法通过多个卷积滤波器并行应用于各个时间序列来完成条件操作，从而加速数据处理和利用多元时间序列之间的相关性，可以有效地学习和预测金融时间序列，且性能优于常用的自回归模型和长短期记忆网络。

    Mar, 2017

  • 全局关注：用于序列到序列预测的二维卷积神经网络

    通过使用基于卷积神经网络而非 encoder-decoder 结构的方法，每一层在输出序列上重新编码源标记，我们的模型在参数更少的情况下表现出色，优于现有的机器翻译系统。

    Aug, 2018

  • $gen$CNN: 用于单词序列预测的卷积架构

    提出一种名为 genCNN 的卷积神经网络架构，用于单词序列预测，并在机器翻译的文本生成和 n-best re-ranking 方面实现了比现有技术更好的性能表现。

    Mar, 2015

  • 基于下一步条件的深度卷积神经网络改进蛋白质二级结构预测

    本文研究了如何应用深度学习技术，创建一种新的卷积神经网络结构，用于蛋白质序列的次级结构预测，并在 CB513 基准数据集上达到了 71.4％Q8 准确率。

    Feb, 2017

  • 卷积神经网络用于轨迹预测

    本文提出了一种卷积神经网络（CNN）人类轨迹预测方法，相比于当前的方法更加快速但仍保持具有竞争力的结果，这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。

    Sep, 2018

  • 卷积编解码神经网络实现一步时变视频未来帧预测

    本文讨论了使用卷积神经网络预测自主汽车，无人机和其他机器人的未来出现，实现了可以在任意时间预测未来外观的功能。

    Feb, 2017

  • 卷积序列到序列模型用于人类行为动态

    基于卷积神经网络和编码器 - 解码器结构，提出了一种新颖的人体运动建模方法，并在 Human3.6M 和 CMU Motion Capture 数据集上取得了更准确的预测结果。

    May, 2018

  • 卷积姿势机

    本研究提出了一种通过将卷积网络与姿态机器学习框架相结合的系统设计来学习图像特征和图像相关的空间模型，以实现姿态估计的任务，并解决了训练过程中梯度消失的问题，其通过提供自然的学习目标函数来约束学习过程，最终在 MPII， LSP 和 FLIC 等标准基准测试中实现了最先进的性能表现并超越了竞争方法。

    Jan, 2016

  • 基于时间扩张卷积的密集序列预测在语音识别中的应用

    本文介绍了利用卷积神经网络在语音帧上实现像素级密集预测的方法，使用时间扩张卷积处理时间池化，并通过使用大型 n-gram 语言模型，实现了 HUB5 Switchboard-2000 基准任务的最佳单模型单通性能，WER 为 7.7%。

    Nov, 2016