- SM-DTW:用于签名验证的稳定调节的动态时间规整
基于计算模型的书写学习和执行研究结果,我们引入了稳定性的概念来解释被试的签名在多次执行过程中实际运动的差异,并推测在签名验证过程中,签名的最稳定部分应该在评估被质疑签名与参考签名之间的相似性方面起着重要作用。我们随后引入了稳定区域调制动态时 - 改进的基于长短期记忆模型的深度强化学习废水处理模拟器
在废水处理中,尽管深度强化学习在机器人技术和游戏领域取得了杰出的成果,但在工业流程优化方面仍面临挑战。本研究通过使用模型的预测数据作为输入以进行校正,并改变损失函数以考虑长期预测形态(动态),提供了改进废水处理数据训练模型的两种方法,提高了 - 利用压缩帧大小实现超快速视频分类
通过检查视频的后压缩比特流进行分类,我们提出了一种新颖的方法,消除了对比特流解码的需求,并在性能上超越了传统的动态时间规整算法。
- 无监督距离度量学习用于多变量时间序列的异常检测
本研究提出了 FCM-wDTW,一种用于多变量时间序列异常检测的无监督距离度量学习方法,通过将原始数据编码成潜在空间,并通过聚类中心揭示正常维度关系,引入局部加权 DTW 到模糊 C 均值聚类,并有效地学习最优潜在空间,通过数据重构实现异常 - 评估时间序列数据的动态时间规整度量
综合评估了不同动态时间规整测度在时间序列数据处理任务中的性能,并提出了基于变异类型选择适当动态时间规整测度的指南。
- JEANIE: 基于时序 - 视角对齐的 3D 骨架序列相似性度量
基于关节时间和相机视角的对齐方法(JEANIE)用于骨骼序列对动作识别的支持查询序列进行时间视角对齐,实现了有监督和无监督助推学习融合,取得了最新的实验结果。
- 语音识别导论
使用 Matlab 进行讲座和实验,实现一个能够正确分类三个单词(one, two 和 three)的系统,并且利用小型数据库,采用语音建模、动态时间规整和迪杰斯特拉算法以及最近邻机器学习方法来实现良好的性能,同时介绍了一些机器学习评估指标 - 基于离线强化学习的在线符号音乐对齐
该研究介绍了一种基于强化学习的在线符号音乐对齐技术,利用注意力机制的神经网络估计乐谱位置,并通过三种方式进行评估,优于当前最先进的离线符号音乐对齐模型。
- mnmDTW:用于基于摄像头的运动误差定位的动态时间规整扩展
本研究使用计算机视觉(CV)方法从健身视频中提取姿势信息,并使用改进版动态时间归整计算与标准动作执行之间的偏差,通过对每个身体部位的距离计算准确度的更精确度量,证明了通过此指标可以清晰、可识别和定位健身错误。
- 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。
- 基于专家增强的动态时间规整的异常检测
我们提出了一种名为 E-DTWA 的新颖异常检测方法,它基于动态时间规整(DTW)算法,并加入了人在环路概念的额外改进,其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。
- 基于位置和方向的一次性学习方法用于医疗行为信号数据的识别
本文提出了一种基于位置和方向感知的一次性学习框架,用于医学动作识别。通过信号数据转化为隐私保护特征进行训练,在模型的两个阶段中引入交叉注意力和动态时间规整等模块进行信息融合,筛选重要的人体部位并减少动作识别偏见,同时采用位置和方向特征相互支 - 深度关注时间扭曲
本文提出了一种神经网络模型来进行任务自适应时间对齐,使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制,并通过度量学习进行训练,与传统的基于 DTW 的可学习模型不同,它能够学习目标任务的最佳数据相关对齐,实验证明了我们模型在在 - DTW+S:基于形状的有序局部趋势的时间序列比较
测量时间序列数据之间的距离或相似性是许多应用的基本方面,包括分类和聚类。我们的目标是开发一种可以查找相似时间点附近发生的相似趋势,并且对应用领域的研究人员易于解释的度量。我们提出了一种新颖的度量方法 DTW+S,它创建了一个可解释的时间序列 - 深度神经网络和双向动态时间扭曲算法的半监督三维视频信息检索
该论文提出了一种新颖的半监督深度学习算法,用于基于视觉内容检索相似的 2D 和 3D 视频。该算法采用深度卷积和递归神经网络与动态时间扭曲作为相似性度量,能够处理大规模视频数据集,并根据图形帧和内容检索与给定查询视频片段最相关的视频。该方法 - PoseSync: 鲁棒的基于姿态的视频同步
提出基于姿势的视频同步管道,通过裁剪图像中的人物区域并进行姿势检测,应用动态时间规整 (DTW) 对姿势关键点之间的角度 / 距离测量进行尺度和位移不变的匹配,能够在多个领域中应用,例如游戏性能评估、编舞或指导运动员。
- WarpEM:EM 指导程序中用于精确导管配准的动态时间扭曲
该论文介绍了一种新颖的基于动态时间规整算法的三维序列信号分析的电磁导航下微创血管插管手术的导管注册方法,与现有方法相比,该方法提高了注册的准确性和可靠性,并且具有高精度、无需初始化和增加自动化等优点。
- C++ 中快速动态时间规整和聚类
使用动态编程和混合整数规划来进行动态时间规整(DTW)和时间序列数据聚类的计算有效方法,通过聚类解决另一个优化问题,使用任务级并行处理获取更好的效率,相对于其他方法来说速度更快。
- 时间序列分类和聚类的广义时间扭曲不变字典学习
本文介绍了一种基于广义时间对齐的词典学习算法,该算法使用连续基函数来提高时间对齐的连续性,并通过优化问题来联合优化时间对齐路径、词典和稀疏系数。该算法在分类和聚类方面表现出优秀的性能,并已在公共数据集上进行了验证。
- 使用多模态 Transformer 进行基于帧的直播流点击率预测
本文提出了一种基于多模态 Transformer 的 ContentCTR 模型,采用帧级别的 CTR 预测来充分利用视觉帧、音频和评论等多模态信息,借助具有一阶差分约束的新型成对损失函数来利用亮点和非亮点间的对比信息,以及基于动态时间规整