关键词feed-forward neural network
搜索结果 - 7
- 可扩展的段级交通拥堵函数学习
提出并研究了一个数据驱动框架,用于在全球范围和分段细粒度上识别交通堵塞函数(宏观交通变量观测之间的数值关系)。与为每个道路估计单独的参数集的方法相比,我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。
- MM相干前馈量子神经网络
我们提出了一种真正的量子神经网络模型,其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性,并且具有较低的电路深度和所需的 C-NOT 门数量,从而优于现有的量子神经网络模型。通过对基准数据集进行测试,我们证明了我们的方法的优越性能 - 利用深层编码器网络进行非线性状态空间识别
本文介绍了一种用于非线性动力系统状态空间识别的编码器方法,它通过将数据集拆分为多个独立部分来近似模拟误差,并使用前馈神经网络估计每个部分的初始状态,从而实现较高效的优化并在知名基准测试中取得了最优结果。
- ICCVMonoLoco: 单目 3D 行人定位与不确定性估计
通过使用 Laplace 分布的损失函数,预测置信区间,设计了一种轻量级前馈神经网络,可以从 2D 人体姿势中预测出 3D 位置和对应的置信区间。该方法不仅在 KITTI 和 nuScenes 数据集上超过了最先进的结果,而且在远处行人的情 - 线性分组码的 RNN 解码
本文设计了一种适用于短到中等块长度的强代数码的实用性低复杂度接近最优通道解码器。我们介绍了一种循环神经网络结构来解码线性分块码,并表明该模式与前馈神经网络模式相比,参数明显更少,具有可比较的误比特率结果,提高了 Tanner 图解码的表现。 - CVPR深层分层解析用于语义分割
本文提出了一种基于学习的场景解析方法,通过逐层递归的上下文传播方式,以图像中的超像素为分类基础进行解析,并利用 MRF 模型建模结果的层次依赖关系从而实现对 Stanford Background,SIFT-Flow 和 Daimler u - 稀疏相似性保持哈希
本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码,并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。