基于门控循环单元的 CT 轨迹优化应用
使用连续时间分析,我们对 Gated recurrent units (GRUs) 的内部运作获得了直观的理解。我们发现了一些意想不到的动态特征,同时我们无法训练 GRU 网络产生连续的吸引子,这也是生物神经网络存在的假设。
Jun, 2019
提出了一种名为 SGRU 的结构化门控循环单元,通过结构化 GRU 层和非线性单元以及多层时间嵌入来增强模型的拟合性能,在加利福尼亚四个公开交通数据集上的实验结果表明,该模型的性能优于基线模型,平均改进了 11.7%,18.6%,18.5%和 12.0%。
Apr, 2024
本研究使用一种新的基于图的模型,即使用密集时空图卷积 GRU 网络与 Transformer 相结合的模型,对没有临床医生监督下进行的物理康复训练进行自动评估,以提供质量评分确保正确执行并达到期望的效果。在 KIMORE 和 UI-PRMD 数据集上的评估结果表明,与最先进的方法相比,该模型在准确性和计算时间方面具有潜力,实现了更快速和更准确的康复训练学习和评估,并通过定性插图提供有价值的反馈,有效地突出了具体训练中关节的重要性。
Dec, 2023
通过引入基于梯度的优化算法的新方法,本文提出了一种用于 Cone-beam CT 运动估计的方法,该方法利用了 Cone-beam CT 的几何结构的广义导数,通过形成完全可微分的目标函数来为当前运动估计的重建空间质量评级,极大地加快了运动估计,提高了运动估计的准确性,并在临床工作流中集成了 CBCT, 解决了时效性场景中的关键挑战。
Jan, 2024
本文提出了一种名为 SLi-GRU 的新颖神经网络结构,通过工程机制将其训练时间缩短五倍,进行了自动语音识别任务验证,证明了相比于其他复杂的递归神经网络,此结构具有更低的词语错误率。
Feb, 2023
为了确保自动驾驶车辆和高级驾驶辅助系统能在复杂交通情景下安全高效地导航,预测周围交通参与方的未来边界框至关重要。本文介绍了一种新颖的编码 - 解码体系结构,即 Fusion-Gated Recurrent Unit(Fusion-GRU)网络,用于未来边界框定位。该方法考虑了面向自车视角的目标交通参与方未来位置和尺度的复杂相互作用,并引入了一个中介估计器和自注意力聚合层来学习长期预测的时序依赖关系。在 ROL 和 HEV-I 两个公开数据集上对该方法进行了评估,实验结果展示了 Fusion-GRU 的良好性能,证明了其在预测交通参与方未来边界框方面的有效性。
Aug, 2023
通过多任务深度学习模型,以特征为导向的深度学习框架提供了一种新的方法,用于将低质量的锥形束计算机断层成像(CBCT)图像转换成高质量的类似于 CT 的成像,从而在压制伪影的同时保留了解剖细节。
Nov, 2023
本文提出了一种简化的 Gated Recurrent Units 架构,用于语音识别。通过去除重置门和引入 ReLU 激活函数,我们的实现在训练时间上提高了 30%以上,并在不同任务、输入特征和噪声条件下获得了相对于标准 GRU 持续改善的识别性能。
Sep, 2017