关键词long short term memory networks
搜索结果 - 10
- 机器学习在动态系统建模与分析中的应用
使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间 - 使用虹膜及眼周图像时间序列进行在职适应性分类
本研究通过使用卷积神经网络和长短时记忆网络，对 8 个虹膜图像序列进行分类，从虹膜行为中提取时空信息以精确预测人们是否适合开展工作，以及是否在使用酒精或药物，或者睡意影响下，结果显示可以用于识别这些条件以及最为难以识别的睡意条件。
- 模态补偿网络：用于动作识别的跨模态自适应
本文提出一种 Modality Compensation Network（MCN）用于 RGB-D 摄像机采集的视频中的人类动作识别。该网络通过深度 CNN 和 LSTM 网络构建，使用骨骼作为辅助模态来提取源模态的更具有区分性的特征，并通 - NIPS混合梯度提升树和神经网络预测手术室数据
本文基于长短时记忆网络 (LSTM) 和梯度提升树 (XGB) 对电子病历数据进行特征学习和预测，我们利用 LSTM 对长期依赖进行建模，将这些特征加入到 XGB 模型中，使其获得显著提高的性能。
- Uber 时间序列的深度与可信预测
本文提出了一种新颖的端到端的贝叶斯深度模型，用于提供时间序列预测和不确定性估计，并成功地应用于 Uber 的大规模时间序列异常检测。
- 一个基于混合深度学习框架的视频分类多模态信息建模模型
本文研究如何利用多模态线索来改进视频分类。我们提出了一个混合的深度学习框架，它将静态空间外观信息、短时间内的运动模式、音频信息以及长时序动态性等多个模态的线索集成起来，以捕捉它们之间的关系，并通过多次实验表明，该框架可以提高视频分类的准确度 - 利用深度神经网络进行大规模 YouTube-8M 视频理解
本文基于 YouTube-8M 大规模数据集，提出了三种视频分类模型，分别基于帧池化和 LSTM 网络，第三个模型使用 Experts 混合中间层以增加模型容量，并进行了一系列处理不平衡训练数据的实验。
- ICLR长短时记忆网络自动规则提取
本文提出了一种新方法，通过追踪给定输出对 LSTM 的给定输入的重要性来识别一致重要的单词模式，从而将其简化为一组代表性短语，并基于这些短语构造了一个简单的基于规则的分类器，从而近似于 LSTM 在情感分析和问题回答上的输出。
- ICML基于 LSTM 的编码器 - 解码器多传感器异常检测
使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。
- 融合多路深度网络进行视频分类
本研究提出了一种多流深度网络架构，用于解决视频分类问题。通过训练三种卷积神经网络来建模视频中的空间、短期动态和音频线索，并采用长短期记忆网络来探索长期时间动态，最终通过自适应融合方法生成预测结果，将多模态信息充分利用。实验证明，该方法的性能