- H&E 切片和多重免疫荧光图像之间的多模态病理图像搜索
该研究提出了一种在 VAE 潜在空间中使用动态时间扭曲 (DTW) 进行多模式病理图像搜索的方法,并将其馈送到排名选择投票方案中,以检索与查询 H&E 幻灯片最相似的多重免疫荧光成像 (mIF)。通过训练 VAE 和应用 DTW,我们对齐并 - OTW: 时间序列的最优传输对齐
本文介绍了一种基于 Optimal Transport 的新的时间序列距离度量方法 ——Optimal Transport Warping(OTW),相对于传统的 Dynamic Time Warping 具有线性的时间 / 空间复杂度和可 - 来自真实多智能体演示的强化学习中的自适应动作监督
本文提出了一种自适应动作监督的 RL 方法,通过动态时间规整的最小距离选择 RL 真实世界演示中的动作,使得 RL 模型能够在网络空间获得回报
- 使用无监督学习局部和全局特征实现视频对齐
本文介绍一种无监督的视频对准方法,通过人体检测、姿态估计、VGG 网络等机器视觉工具提取并结合构建多维时间序列,利用 Diagonalized Dynamic Time Warping (DDTW) 算法对相同动作的视频进行对齐,采用新型评 - ICLR用于端到端对齐路径学习的深度声明动态时间规整
本文提出了一种基于双层优化和深度声明网络的 DTW 层,可以将 DTW 表示为连续的优化问题,并计算出最优的对齐路径,可用于自动化的时间序列数据对齐。
- DTW-SiameseNet:一种用于发音错误检测和更正的动态时间扭曲连锁网络
本研究提出了一种针对 TTS 语音合成任务中的发音错误检测和校正的高精度、适用于 PDA 的发音学习框架,同时还提出了一种基于动态时间规整技术和度量学习的发音错误检测模型 DTW-SiameseNet。结果表明,与基于音素和音频的基线相比, - AAAILB-SimTSC: 高效相似性感知图神经网络用于半监督时间序列分类
该论文提出了一种新的有效的半监督时序分类技术 LB-SimTSC,它基于 LB-Keogh 算法构建图神经网络,并在十个大型数据集上表现出与 SimTSC 相近的分类准确度,但是构建图时速度可达到快于 SimTSC 104 倍以上。
- ECCV时间序列和序列的不确定度 - DTW
该研究介绍了如何对时间序列间的不确定性建模,通过最大似然估计等方法可以实现时间序列的预测和行为识别。
- 骨骼少样本动作识别的时空视角传输规划
提出了一种基于 JEANIE 的 3D 骨骼动作识别少样本学习方法,包括动态时间扭曲、简单光谱图卷积、线性图神经网络骨干和基于相似性的损耗函数,达到了在 NTU-60,NTU-120,运动学 - 骨骼和 UWA3D Multiview Ac - 面向相似度感知的时间序列分类
提出了 Similarity-Aware Time-Series Classification (SimTSC) 框架,使用图神经网络建模时间序列的相似度信息,并结合深度学习模型实现时序分类。使用 ResNet 作为主干网络和 Dynami - 基于 3D 骨架的少样本动作识别:JEANIE 并不太天真
本文提出了一种用于基于 3D 骨架的行为识别的 Few-shot Learning 流程,其中利用了 Dynamic Time Warping 方法,使用基于 Simple Spectral Graph Convolution 的时间块编码 - ICCV动态时间规整下的弱监督时序异常分割
本论文提出了一种名为 WETAS 的新框架,它利用实例级别的异常标签来有效地识别输入实例中的异常时间段,并通过动态时间扭曲对输入实例和其分割掩模进行对齐,获得时间分割的结果,并同时利用掩模作为附加监督进一步增强自身。实验证明,WETAS 在 - CVPR通过全局时间对齐和循环一致性进行表征学习
本文提出了一种针对同一过程(如人类动作)的时间序列(例如视频)的弱监督表征学习方法,通过对全局时间序列进行对齐,并利用对齐的隐变量跨序列对的全局时间顺序作为监督信号进行表征学习,通过最优序列对齐进行嵌入网络的训练。通过大量实验表明,该方法在 - AAAI可学习的动态时间池化用于时间序列分类
本文旨在通过提出一种动态时间池化技术(DTP)来改善现有卷积神经网络分类器在时间序列分类中舍弃时间信息的问题。结合动态时间扭曲(DTW)和卷积神经网络,实现对高层特征的汇聚和提取,通过在多个单元上进行优化,显著提高了分类性能。
- CVPR利用动态时间规整学习区分原型
本文提出了 DP-DTW 方法,用于学习类别特定的判别式原型,以便在时间识别任务中实现更好的性能,并且结合端到端深度学习,可在标准基准测试中实现最先进的弱监督行动分割问题,并通过对所学行动原型的详细推理来启用输入视频的详细摘要,即可以通过将 - 时间序列之间的可微分差异
本文提出了一种新的距离函数 ——soft-DTW 距离,并通过实验表明该函数在时间序列分类上的效果优于其他距离函数,如动态时间扭曲和 soft-DTW。
- KDD动态时间规整在时间序列回归中的影响案例研究
本文研究了使用 Dynamic Time Warping 方法对光谱时间序列数据进行相似性比对,并发现结合 k-Nearest Neighbour 算法可以提高准确性,但当数据跨越多个波长时,如果使用了平均值和方差等数据聚合统计方法,DTW - MM3D 打印时间序列数据分类方法评估
本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果,并发现动态时间规整是一种适合解决这类数据的距离度量方法。
- 矩阵剖面 XXII: 在动态时间规整下精确发现时间序列模式
本文介绍了一种可扩展的准确方法,用于使用动态时间扭曲 (DTW) 发现时间序列 Motifs,该方法可以在时间和较低下限的紧密度之间自动执行最佳权衡,并且在现实设置下,该算法可以删除多达 99.99%的 DTW 计算。
- 使用概率自适应度量无监督发现重复的语音模式
本文提出了一种名为 PDTW 的概率 DTW 无监督口语术语发现方法,利用处理语料库的分布特征进行自适应评估对齐质量,系统地发现具有相似性的模式对,并在 Zero Resource Speech Challenge 2017 数据集上测试,