用于时间序列分类的多元 LSTM-FCNs
本文探讨了通过在完全卷积神经网络中增加长短时记忆循环神经网络分支(LSTM RNN sub-modules)来进行时间序列分类的方法,通过使用注意力机制(Attention mechanism)优化模型以及微调(fine-tuning)等方法可以显著提高模型性能。LSTM-FCN 的性能比其他模型表现更出色。
Sep, 2017
本文通过 3627 个实验,研究了 LSTM-FCN 和 ALSTM-FCN 的模型和子模块,比较了两种 z-normalizing 技术的差异,以及提供了 LSTM-FCN 在 GRU、基础 RNN 和 Dense Block 下的性能表现。
Feb, 2019
本文旨在阐述使用 GRU 替换 LSTM 来构造 GRU-FCN 的时间序列分类方法,在多个时间序列数据集上达到了最佳的分类效果。同时,由于 GRU 使用的是较简单的结构,它具有较少的训练参数、更短的训练时间和更简单的硬件实现,相较于基于 LSTM 的模型而言更加优越。
Dec, 2018
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态,并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习,通过评估精度和召回率等指标来确定哪种方法最适合此问题。
Jul, 2023
本文提出 C-LSTM 模型,结合了 CNN 和 RNN 的优点,用于句子表示和文本分类,实验结果表明 C-LSTM 比 CNN 和 LSTM 表现更好,可在这些任务中取得出色的性能。
Nov, 2015
本研究提出了一种基于 ConvLSTM 的场景文本识别器,名为 FACLSTM,该识别器充分利用像素的空间关联和注意机制,通过卷积操作和生成字符中心掩码来帮助聚焦关注正确的特征区域,并在基准数据集 IIIT5K、SVT 和 CUTE 上得到了较好的实验结果。
Apr, 2019
多分辨率卷积和可变形卷积操作的自适应时变卷积网络(ATVCNet)在多变量时间序列的局部 / 全局时间依赖和变量间依赖建模方面取得了显著改进,通过不同扩张因子的卷积核扩大感受野以捕捉不同分辨率间的时间相关信息,并通过附加的偏移向量自适应调整采样位置,增强网络捕捉变量间相关特征的能力,通过提取和融合不同分辨率的时间序列特征,在时间序列中捕捉到了局部背景信息和全局模式,并且设计的变量间特征自适应提取模块捕捉了时间序列中不同变量间的相关性,实验结果表明,ATVCNet 相较于现有的 MLSTF 模型性能提高了近 63.4%。
May, 2024
提出了用深度神经网络从头开始进行时间序列分类的简单但强大的基准线。通过提出的全卷积网络(FCN)和 ResNet 结构的非常深层神经网络的探索,实现了优越的性能。我们卷积模型中的全局平均池化即可利用类激活映射(CAM)来查找特定标签的原始数据中的贡献区域,为现实世界的应用提供了简单的选择和未来研究的良好起点,同时提供了总体分析来讨论我们的模型,学习特征,网络结构和分类语义的泛化能力。
Nov, 2016
本文主要介绍了基于卷积神经网络和 LSTM 神经网络的动作识别方法,实验证明本文提出的多流融合模型可以有效地提高识别准确率。
Apr, 2017
提出了一种基于多尺度卷积神经网络的时间序列分类模型,该模型将特征提取和分类集成在一个框架中,具有较高的准确性和计算效率,并在大量基准数据集上进行了全面的实证评估,取得了优于其他先进方法的性能。
Mar, 2016