ICLRFeb, 2023

短期记忆卷积

PDF
TL;DR本文提出了一种名为 Short-Term Memory Convolution（STMC）的卷积神经网络方法，用于音频领域中的实时处理，该方法能够以低延迟比 LSTM 网络更稳定快速地进行训练和推理，实现了语音分离和声场分类的更快速度和更高的准确性。
real-time processingdeep learning modelsshort-term memory convolutioninference time latencyspeech separation
发现论文，激发创造
  • 深度卷积长短期记忆网络的时间性能预测

    利用时间后处理方法来估计卷积长短期记忆网络的预测性能，通过预测交并比或分类交并比是否为零来评估预测质量，进一步研究所考虑的细胞状态数量对提出的评估指标的影响。

    Nov, 2023

  • STCN：随机时态卷积网络

    本文提出了一种新的 STCN 体系结构，其将时间卷积网络（TCN）的计算优势与具有不同时间尺度的时间依赖性的随机潜在空间的表示能力和鲁棒性相结合，提高了多个任务的对数似然度，并且在手写文本建模中能够预测长时间跨度内的高质量合成样本。

    Feb, 2019

  • 实时桥梁冲刷预测中长短期记忆与卷积神经网络的应用

    利用深度学习算法基于历史传感器监测数据，包括河床高程、流量高程和流速，对桥墩周围的冲刷深度变化进行预测，研究了不同模型在实时冲刷预测中的性能，并探索了超参数调优和模型优化的创新随机搜索启发式算法。此研究揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。

    Apr, 2024

  • 卷积长短时记忆多业务移动流量预测

    本文提出了一种基于序列到序列学习（S2S）和卷积长短时记忆（ConvLSTMs）的方法，用于解决多服务移动流量预测问题，实验表明该方法能够准确地预测不同服务在城市层面上未来一小时的需求量，其平均绝对误差低于 13KBps，并且优于其他深度学习方法高达 31.2%。

    May, 2019

  • 卷积状态空间模型用于长程时空建模

    ConvSSMs combine ConvLSTM and state space methods to efficiently model long spatiotemporal sequences, outperforming Transformers and ConvLSTM in terms of training speed and sample generation while matching or exceeding state-of-the-art methods on various benchmarks.

    Oct, 2023

  • 人类动作识别的深度时空 STFT 卷积神经网络

    使用 STFT 块替代 3D 卷积层及其变种可以提高 3D CNN 的特征学习能力，显著减少其参数和计算复杂度，并在七个动作识别数据集上达到甚至超过现有方法的性能。

    Jul, 2020

  • 基于卷积长短时记忆预测网络的视频异常检测

    通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

    Dec, 2016

  • 基于二维卷积的时间序列数据多任务学习

    该研究探讨了多任务学习在时间序列分类问题中的应用，并提出了一种基于二维卷积的模型设计，通过增强模型的表达能力，在 UCR Archive 和一个工业交易时间序列数据集上取得了优于竞争方法的表现。

    Oct, 2023

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • 利用多头卷积神经网络实现快速谱图反演

    本研究提出了一种使用多头卷积神经网络（MCNN）架构从频谱生成波形的方法，而不需要迭代算法，能显著提高计算效率。对 MCNN 进行了大规模数据集的训练，并且损失函数的定义关注于声学感知质量。证明了 MCNN 是一种非常有前途的高质量语音合成方法。

    Aug, 2018