TDANet: 一种新颖的带注意力机制的时序去噪卷积神经网络用于故障诊断
设计了一种新的两阶段渐进残差密集注意力网络(TSP-RDANet)进行图像去噪,通过两个子任务逐步去除噪声,其中使用残差密集注意力模块(RDAM)和混合扩张残差密集注意力模块(HDRDAM)来设计两个基于注意力机制的去噪网络,以增强去噪效果。实验证实,与众多最新方法相比,所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。
Jan, 2024
本文提出了一种基于 Dual-branch Residual Attention Network(DRANet)的图像降噪方法,通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明,相比于其他已有的方法,该方法能够更好地处理合成和真实场景下的噪声。
May, 2023
本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet,该方法采用了双重 CNN 结构和噪声估计网络,实现了对实际噪声和合成噪声的有效压制。
Apr, 2023
本文提出了一种名为 CAN(coupled attention-based neural network)的框架,用于动态变量关系特征的多变量时间序列异常检测,通过自适应图学习方法与图关注机制相结合,基于全局 - 局部图来表示全局相关性和动态相关性,通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块,实现了多层编码器 - 解码器架构进行重构和预测任务,实验结果表明 CAN 方法明显优于现有的基准方法。
Jun, 2023
本文提出了一种模拟大脑自上而下关注机制的、模型复杂度较低但表现优异的基于编码器 - 解码器的深度神经网络架构 TDANet,并在三个基准数据集上验证其高效性和有效性。
Sep, 2022
本文介绍了一种基于卷积变换器、双鉴别器生成对抗网络(CT-D2GAN)的非监督式视频异常检测方法,该方法在未来帧预测和对视频的局部和全局建模方面取得了显著的效果。
Jul, 2021
本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断,能够快速、准确地确定异常观测值,并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明,TranAD 在数据和时间效率上优于现有的基准方法。
Jan, 2022
本文提出了一种新的视觉结构,称为 Temporal Difference Network (TDN),其核心是通过一个高效的 Temporal Difference Module (TDM) 来捕获多尺度信息,以提高动作识别的效率。在 Something-Something V1&V2 数据集上,TDN 呈现了一个新的最高水平,并且与 Kinetics-400 数据集上的最佳性能持平,同时我们还对 TDN 进行了深入的消融研究和可视化结果的绘制,为时序差分建模提供了全面的分析。
Dec, 2020
提出一种效率高且可扩展的时间序列异常检测框架 --RobustTAD,该框架通过整合强韧的季节 - 趋势分解和卷积神经网络来处理复杂的时间序列模式,以捕获多尺度信息,并使用数据增强方法来处理标注数据不足的问题。该框架在阿里巴巴集团的不同业务场景中广泛应用并表现显著优异。
Feb, 2020