Oct, 2018

学习双向 LSTM 网络，用于合成 3D 网格动画序列

PDF
TL;DR本文提出了一种基于 LSTM 和基于网格的卷积神经网络的 3D 网格动画序列合成新方法。该方法采用形状变形表示和三角网格上定义的卷积神经网络提取有用的特征，然后迭代地处理 LSTM 单元格，并提出一种新的共享权重的双向结构来完成给定端点的缺失网格序列。我们的方法在序列预测和补全方面比现有方法在定量和定性方面都更加优越。
3d mesh animationlstmconvolutional neural networksshape deformation representationsequence prediction
发现论文，激发创造
  • 基于格子长短期记忆的人类动作识别

    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

  • 使用深度双向 LSTM 进行图像字幕生成

    本研究提出了一种端到端可训练的深度双向 LSTM 模型，用于图像字幕生成，增加了数据增强技术，并在三个基准数据集上进行了评估，证明其性能竞争力强。

    Apr, 2016

  • Bio-LSTM: 一种仿生学启发的循环神经网络，用于 3D 行人姿态和步态预测

    本文介绍了一种仿生神经网络 (Bio-LSTM)，其能够预测行人的全局坐标系中的位置和三维关节姿态，在考虑先前帧的 3D 姿态和位置时，对于多名不同行人同时进行预测，以及在城市路口范围内达到 45 米。这篇论文通过 PedX 数据集的实际应用表明，该网络可以成功学习行人步态的特征，并产生准确和一致的 3D 姿态预测。

    Sep, 2018

  • 压缩卷积 LSTM：一种高效的深度学习框架，用于模拟高保真度的三维湍流

    提出了一种新的训练方法，用于减少维数和建模三维湍流的时空动力学，利用卷积自编码器和卷积 LSTM 神经网络组合，通过严格的基于物理的统计测试评估了湍流场的质量，并表明这种训练方法在计算资源开销的小部分情况下，生成了具有物理一致性的湍流场。

    Feb, 2019

  • 基于 LSTM 和 CNN 的骨架动作识别

    该研究使用 3D 骨架数据和卷积神经网络 (CNN) 和长短期记忆 (LSTM) 方法进行 3D 人体行为分析，证明 CNN 和 LSTM 的分数融合方法可以更有效地捕获空间 - 时间信息，并在 NTU RGB+D 数据集上取得了最先进的结果，在深度视频中的大规模 3D 人体动作分析挑战中排名第一。

    Jul, 2017

  • LSTM 姿势机

    本文提出一种采用循环神经网络 (RNN) 的姿态估计方法，该方法通过权重共享进行优化，成功地解决了多阶段卷积神经网络在视频中应用中的问题，并在两个视频姿态估计基准测试中显著优于当前的最佳方法。

    Dec, 2017

  • 神经网络序列到 序列学习

    本文提出了一种基于深度神经网络（DNN）的序列学习方法，使用多层长短时记忆（LSTM）解码目标序列并展现了其在英法翻译任务中优于传统短语模型翻译的成果，同时还发现调整源语句中单词的顺序可以有利于优化问题的解决。

    Sep, 2014

  • 3D 生物医学分割的联合序列学习和跨模态卷积

    本文提出了一个基于深度神经网络的编码器 - 解码器结构，包含跨模态卷积层以整合不同模态的 MRI 数据和卷积 LSTM 以建模 2D 切片序列，通过加权和两阶段训练来处理标签失衡，并在 BRATS-2015 数据集上实验表明超越了现有的生物医学分割方法。

    Apr, 2017

  • 学习描述符网络用于三维形状合成和分析

    本文提出了一种 3D 形状描述符网络，是一种深度卷积能量模型，可以用于建模体积形状模式，并可以通过 MCMC 模拟实现生成真实的 3D 形状模式并用于 3D 形状分析和恢复。

    Apr, 2018

  • 并行多维 LSTM 及其在快速生物医学体积图像分割中的应用

    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