深度卷积长短期记忆网络的时间性能预测
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
本文提出了一种新的模型,使用 ConvLSTM 编码观察到的视频帧的时空信息来预测未观察到的未来帧的语义分割图,并扩展了双向 ConvLSTM 来捕获双向的时间信息,该方法在基准数据集上优于其他最先进的方法,为实时决策制定提供了可靠的解决方案。
Jul, 2018
本研究提出一种动态局部化长短期记忆(LSTM)模型,通过使用局部动态空间权重矩阵和其动态变化,考虑时间和空间上的复杂动态相互作用,对道路之间的时空关系进行建模,能够处理具有长时序依赖和复杂非线性特征的序列数据,并在实验证明了该模型相比基线方法具有更好的预测性能。
Dec, 2021
提出一种将 Convolutional Long Short Term Memory(C-LSTM)与 U-Net 相结合的细胞分割方法,以捕获细胞动力学信息,该方法在细胞跟踪挑战赛中取得了最先进的结果,代码可在提供的 https 链接中免费获取。
May, 2018
本论文提出和评估了几个深度神经网络架构,用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法,包括卷积时间特征池化和循环神经网络结构,该论文指出最佳神经网络在 Sports 1 million 数据集(73.1%对 60.9%)和 UCF-101 数据集中(88.6%对 88.0%)及无附加光流信息(82.6%对 72.8%)上明显性能提高。
Mar, 2015
本文提出了一个基于深度学习神经网络的方法来自动识别监控视频中的暴力行为,具有很高的识别精度。该方法采用卷积神经网络和长短时记忆网络,能够捕捉到视频中局部的时空特征,实现对局部运动的分析,并通过对相邻帧的差异计算来增强所提出方法的识别功能。实验证明,该方法表现优于现有的同类方法,具有广泛的研究价值。
Sep, 2017
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018
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
本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法,并在 GEANT 网络实验数据中验证表明,该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。
May, 2017