Oct, 2022

STN：一种新的张量网络方法，用于从大脑活动模式中识别刺激类别

PDF
TL;DR提出了一种刺激约束的张量脑模型，将张量分解模型与刺激类别约束信息相结合，用于解码带有语义信息的目标刺激，实验结果表明该模型相对于其他方法提高了 11.06％到 18.46％的准确性。
neural decodingbrain network patternstensor decompositionstimulus constraintssemantic information
发现论文，激发创造
  • STN: 通过结构感知训练和自适应压缩实现可扩展的张量网络

    本文提出了适用于任意网络架构的可扩展张量网络（STN），通过一种数据驱动的方法动态和自适应地调整模型大小和分解结构，从而达到更高的压缩性能和灵活性，综合实验结果表明其在参数效率方面表现优异。

    May, 2022

  • STNAGNN: 基于时空节点注意力图神经网络的任务驱动 fMRI 分析

    使用基于任务的功能磁共振成像 (task-based fMRI) 方法，结合 BOLD 对比度，基于任务的脑部反应进行衡量，本研究利用数据驱动的任务结构为指导，在自动识别孤独症任务中展示出空间时间分析的有效性，并提出了 STNAGNN 这个基于图神经网络的空间时间架构，用于解释和识别孤独症相关的空间时间性脑生物标记物。

    Jun, 2024

  • 通过时空卷积神经网络（ST-CNN）对 4D fMRI 数据进行建模

    使用 ST-CNN 算法对 4D fMRI 数据进行空间 - 时间建模，并自动准确定位功能网络，ST-CNN 通过联合学习空间和时间模式来确保准确识别 Default Mode Network（DMN）。

    May, 2018

  • 使用深度学习进行动态自然视觉的神经编码和解码

    研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

    Aug, 2016

  • STN-OCR: 一个单一神经网络实现文本检测和文本识别

    本文提出了 STN-OCR，一种使用深度卷积神经网络进行场景文本识别的半监督学习算法，并使用空间变换器网络和文本识别网络完善识别流程，并在公共基准测试数据集上测试了该模型在字符识别和文本行识别的表现。

    Jul, 2017

  • 必要枢纽：基于本质连接神经网络的多元时间序列时空预测

    本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器 - 解码器和消息传递层，能够有效地处理空间 - 时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

    Jul, 2023

  • 从颅内神经活动解码简单视觉刺激的贝叶斯时间序列分类器

    提出一种基于贝叶斯时间序列分类器（BTsC）模型的方法，用于处理分布式神经活动中的外部刺激，同时保持较高的解释性，该模型在解码视觉任务中的颜色方面表现出一致和可靠的平均性能，对于研究各种任务和类别的神经活动具有价值。

    Jul, 2023

  • 一种用于动态视觉刺激生成的时空风格迁移算法

    图像研究中，我们引入了动态视觉刺激生成框架的 Spaciotemporal Style Transfer 算法，它基于双流深度神经网络模型，能够生成与自然视频的低级时空特征匹配的模型变形器，缺乏高级语义特征，成为研究对象识别的有力范例。

    Mar, 2024

  • 基于浅层三重流的三维卷积神经网络（STSTNet）用于微表情识别

    本文介绍了一种名为 STSTNet 的深度神经网络，它从三个光流特征中学习以识别面部微表情，通过实验结果表明，该网络可以提高有效性并获得更高的精度。

    Feb, 2019

  • StNet：行动识别的局部和全局空时建模

    本文提出了一种新的空时网络（StNet）架构来进行局部和全局的空时建模，通过将 N 个连续的视频帧堆叠成一个超级图像，并对超级图像应用二维卷积来捕获局部空时关系，再对局部空时特征映射应用时间卷积来建模全局空时关系，该方法在动作识别方面优于现有技术，也在模型复杂度和准确度之间取得了理想的平衡，实验结果表明该方法可以广泛应用于视频表示的学习。

    Nov, 2018