时间序列分类中 LSTM 全卷积网络的洞见
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
本研究将现有的单变量时间序列分类模型 LSTM-FCN 和 ALSTM-FCN 转化为多变量时间序列分类模型,通过增加 squeeze-and-excitation 块改善了分类的准确性。提出的模型适用于各种复杂的多变量时间序列分类任务,如活动识别或动作识别。此外,提出的模型在测试时非常高效,且足够小以部署在内存受限的系统上。
Jan, 2018
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
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
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018
本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量,通过开放数据集进行实验,结果表明该方法具有显著的优势,并从 Granger 因果性的角度对其进行了分析探讨。
Dec, 2016