Dec, 2022

时间序列分类的动态稀疏网络：学习如何 “看见

PDF
TL;DR本文提出了一种动态稀疏网络 (Dynamic Sparse Network)，旨在解决时间序列数据在信号范围上的多样性造成的痛点，通过动态稀疏训练的方式探索区域约束下的稀疏层卷积核，无需超参数调整，减少了计算资源成本，达到了比其他方法更精确的时间序列分类效果。
time series classificationreceptive fielddynamic sparse networkmultivariate dataresource-aware methods
发现论文，激发创造
  • AdaFSNet: 基于自适应和有效的卷积核大小配置的时间序列分类

    通过综合实验证明，AdaFSNet 网络在时间序列分类任务中具有高效性和有效性，通过动态选择范围恰当的核大小和设计 TargetDrop 模块，可以提高分类准确性。

    Apr, 2024

  • 自动语音识别的动态稀疏神经网络

    本文介绍了动态稀疏神经网络 (DSNN) 技术，该技术能够在训练后根据需要在运行时即时切换到任何预定义的稀疏度配置，有效地解决了自动语音识别 (ASR) 等场景中硬件资源限制和延迟要求不同的问题，实验结果表明，DSNN 模型的表现与单一稀疏度网络的表现相当。

    May, 2020

  • 适用于时间数据分析的经常性随机配置网络

    开发适用于问题解决的随机配置网络的循环版本，无需对输入变量的动态顺序进行基本假设，并通过监督机制构建初始模型并通过投影算法在线更新输出权重，从而在时间数据建模技术方面取得了显着突破。

    Jun, 2024

  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016

  • 高效深度学习的动态稀疏图

    本文提出了一种通过动态和稀疏的图结构来执行深度神经网络（DNNs）进行压缩存储和加速执行的方法，该方法在训练和推断时均可应用，以优化深度神经网络的轻量化模型。实验证明该方法可以显著提供存储和操作的性能，并在各种基准测试中几乎无损失地维护准确性。

    Oct, 2018

  • 动态稀疏 R-CNN

    本文提出了两种动态设计来改进 Sparse R-CNN，第一种是基于最优传输算法的动态标签分配，第二种是动态提案生成，实验结果表明我们的方法使目标检测达到了最新的表现。

    May, 2022

  • 动态采样网络用于视频中高效的动作识别

    本文提出了一种名为动态采样网络（DSN）的新框架来提高视频中的动作识别效果，并增加推理时的效率。DSN 由采样模块和分类模块组成，其目标是学习一种采样策略，以即时选择保留哪些片段并使用这些选择的片段训练剪辑级分类器，从而实现基于这些选择的片段执行动作识别。通过基于四个行动识别数据集的广泛实验来研究 DSN 框架的不同方面，实验结果表明，仅使用不到一半的片段，DSN 能够大大提高推理效率，并仍然能够获得略微更好或相当的识别精度，达到了领先水平。

    Jun, 2020

  • Omni-Scale CNNs: 一种简单而有效的时间序列分类卷积核大小配置方法

    本文提出了一种基于 Omni-Scale Block 的 1D-CNN 模型，可以通过包含多个质数的一组核大小有效地覆盖不同数据集中的最佳 Receptive Field 大小，并达到了四个时间序列基准测试的最先进性能。

    Feb, 2020

  • 时间序列分类的深度学习综述

    本文通过一个基于深度神经网络结构的实证研究，介绍最新的深度学习算法在时间序列分类方面的最新状态，以及给出了一个自由开放的深度学习框架，并在 97 个时间序列数据集上进行了 8,730 种模型的训练来达到最全面的时间序列分类问题的深度学习算法的研究。

    Sep, 2018

  • MSTAR: 用于时间序列分类的多尺度骨干架构搜索

    通过提出一个新的多尺度搜索空间和神经架构搜索（NAS）框架，解决了时间序列分类中接收域、频率和时间分辨率的问题，并展示了该模型在四个不同领域的四个数据集上达到了最先进的性能，同时为每个数据集引入了十多个高度微调的模型。

    Feb, 2024