神经记忆网络预测未来动作序列

Sep, 2019

Forecasting Future Action Sequences with Neural Memory Networks

Harshala Gammulle, Simon Denman, Sridha Sridharan, Clinton Fookes

TL;DR本研究提出了一种基于神经记忆网络的新框架，用于未来动作序列预测，通过使用神经记忆网络捕捉序列内部的短期关系和序列之间的长期关系，有效地融合了特征，取得了比现有方法更好的预测效果。

Abstract

We propose a novel neural memory network based framework for future action sequence forecasting. This is a challenging task where we have to consider short-term, within sequence relationships as well as relationships in between sequences, to understand how sequences of actions evolve o

neural memory network action sequence forecasting short-term relationships long-term relationships memory modules

发现论文，激发创造

视频中的预测与下一个动作预测：基于端到端的具有记忆的模型

提出一种基于记忆的端到端网络进行行为预测与预测，表明使用动态内存训练历史可以显着提高预测性能。

Jan, 2019

树状记忆网络用于建模长期时间依赖关系

提出了一种基于树形记忆网络的序列映射模型，用于捕获长期和短期依赖关系，并在飞行轨迹建模和行人轨迹建模等实际问题中实现了较好的性能。

Mar, 2017

基于记忆网络的多元时间序列预测解决方案

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

动作识别的记忆增强时序动态学习

提出了一种记忆增强的时间动态学习网络，利用差分记忆控制器将最显著的信息写入外部存储器，并忽略不相关的信息，增强了动作识别的效果。

Apr, 2019

听、关注和行：将导航指令映射为动作序列的神经网络

提出一种神经序列到序列模型，用 LSMT-RNN 将自然语言指令转化为动作序列来实现有效的自主代理。该模型使用对当前世界状态显著的句子 “区域” 的多个抽象来实现对句子的多层次对其。与现有方法相比，该模型不需要专门的语言资源（例如解析器）或任务特定注释（例如种子词典），因此具有通用性，同时在基准单句数据集上取得了迄今为止最佳结果，并为有限培训多句子设定提供竞争结果。

Jun, 2015

序列生成和记忆的递归神经网络模型

本文提出 Partial In-Network Training（PINning）方法，基于随机网络架构和少量的连接修改，实现突触交互和外部输入的协作而不是前馈或非对称连接，高效地产生神经序列和工作记忆，此方法能够匹配细胞分辨率成像数据，并暗示神经序列可能从较大结构的神经网络中学习而来。

Mar, 2016

非局部循环神经记忆用于监督序列建模

本研究通过提出 NRNM 模型，对监督序列建模中的长程依赖进行建模，并在动作识别和情感分析两个任务上证明其优良性能。

Aug, 2019

无监督神经网络模型的连续在线序列学习

本文提出了分层时序记忆（HTM）的序列记忆，使用无监督的 Hebbian-like 学习规则可以连续学习大量变序列。 HTM 序列记忆能够处理多元序列及预测，还具有连续的在线学习、处理多元及多分支序列的能力、传感器噪声稳健性和容错性等优点，可应用于离散和连续序列预测、异常检测和序列分类等多领域。

Dec, 2015

差分循环神经网络用于动作识别

本文提出了一种差分门控 LSTM 神经网络，它采用导数来量化关键运动模式对时间序列数据的信息增益，从而提高动作识别的准确率。

Apr, 2015

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