ECCVNov, 2022

视频模型中的动态时间滤波

PDF
TL;DR该研究提出了一种名为 Dynamic Temporal Filter (DTF) 的方法，能够在频率域进行空间感知的时间建模，并具有较大的时间感受野，可将 DTF 模块嵌入 ConvNets 和 Transformer 中，实验结果表明其优越性。
dynamic temporal filtertemporal modelingfrequency domainconvnetstransformer
发现论文，激发创造
  • 动态频域图卷积网络用于交通预测

    本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

    Dec, 2023

  • 动态过滤网络

    介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

    May, 2016

  • 动态全局滤波器双流时间延迟神经网络在说话人验证中的应用

    本文提出 Global Filter for TDNN 和 Dual-Stream TDNN 模型，可在语音辨识方面取得显著的效果，同时减少了参数和复杂性。

    Mar, 2023

  • 通过时空一致性保持空间特征选择学习自适应判别性相关滤波器以实现强鲁棒视觉跟踪

    本文提出了一种新的 DCF 跟踪方法，通过自适应的空间特征选择和时间一致性约束实现联合空间时间滤波器学习，在更低维的判别性流形中学习具有历史约束的滤波器，并提出了统一的优化框架来联合选择特征和学习判别性滤波器，并在多个公共数据集中进行了实验，结果表明该方法优于基准的跟踪方法。

    Jul, 2018

  • 领域泛化的深度频率滤波

    本研究提出了一种称为 Deep Frequency Filtering（DFF）的技术，可以通过调节深度神经网络中的不同频率组件来学习域通用特征在跨域转移时具有更好的泛化能力。通过 Fast Fourier Transform（FFT）技术和注意力机制，DFF 可以增强可转移的频率成分并抑制不利于泛化的成分。在多种跨域泛化任务中，DFF 优于现有技术并获得了最佳性能。

    Mar, 2022

  • 卷积神经网络大采样场动态过滤

    我们提出了一种大采样场的动态过滤策略，用于 ConvNets 中，该方法使用位置特定的卷积核，能够从不仅相同位置，而且多个采样的邻域中进行学习，同时引入残差学习和注意力机制，以融合来自不同样本的特征。我们在对象检测，语义分割和流估计等任务中展示了 LS-DFN 的优点，它与 VOC 基准上的强基线相比，在目标检测和语义分割任务中具有更强的识别能力，在 FlyingChairs 数据集上的流估计则具有更锐利的响应。

    Mar, 2018

  • 探究时空多频分析用于实现高保真度和时空一致性的视频预测

    本文提出基于多级小波分析的视频预测网络，以应对图像失真和时间不一致等现有预测模型所存在的问题，大量实验结果表明，本方法相较其他最先进的方法，具有更高的保真度和时间一致性。

    Feb, 2020

  • 可学习的动态时间池化用于时间序列分类

    本文旨在通过提出一种动态时间池化技术（DTP）来改善现有卷积神经网络分类器在时间序列分类中舍弃时间信息的问题。结合动态时间扭曲（DTW）和卷积神经网络，实现对高层特征的汇聚和提取，通过在多个单元上进行优化，显著提高了分类性能。

    Apr, 2021

  • 端到端流量相关跟踪及时空注意力

    本文利用连续帧中的丰富流信息，通过在网络中制定特殊层来提高特征表示和跟踪精度，提出了一种基于深度学习框架中的联合训练流和跟踪任务的方法，并且采用了新颖的空间 - 时间注意机制，对 OTB2013、OTB2015、VOT2015 和 VOT2016 四个具有挑战性的跟踪数据集进行了广泛的实验，证明所提出的方法在这些基准测试中具有优越的结果。

    Nov, 2017

  • DeepFilterNet：感知驱动的实时语音增强

    本文介绍了使用 DeepFilterNet 进行实时语音增强的演示。通过利用言语生产和心理声学感知的领域知识，该模型能够匹配最先进的语音增强基准，并在单线程笔记本 CPU 上实现了实时化因子 0.19。该框架及预训练权重已在开源协议下发布。

    May, 2023