- 基于低成本频谱传感器的无线信号分类分布式深度学习模型
本文提出了一种基于长短时记忆的自动调制分类新数据驱动模型,分析表明该模型在不同信噪比条件下可实现近 90% 的平均分类准确性,可用于不同符号速率的调制信号分类,同时还考虑降低分布式传感器的数据通信开销和低处理能力传感器部署的问题。
- AAAI基于视觉注意力的无序 RNN 多标签分类
本文提出了用于多标签分类的联合学习注意力和循环神经网络模型,可有效利用注意力和 LSTM 模型,并且扩展了 beam 搜索技术以提高效率。
- 基于 LSTM 和 CNN 的骨架动作识别
该研究使用 3D 骨架数据和卷积神经网络 (CNN) 和长短期记忆 (LSTM) 方法进行 3D 人体行为分析,证明 CNN 和 LSTM 的分数融合方法可以更有效地捕获空间 - 时间信息,并在 NTU RGB+D 数据集上取得了最先进的结 - 挑战性高动态范围环境下基于学习的图像增强技术用于视觉里程计
探讨深度学习在视觉里程计系统中的应用,利用 Fine-Tuning 和 LSTM 网络对数据进行增强,提高数据表示能力,并通过使用小型 CNN 网络进行实时性优化,最终通过与 ORB-SLAM 和 DSO 等算法进行对比验证了该方法的提升效 - 利用空间和谐特征在多通道音频中进行声音事件检测
本文提出使用空间和谐特征结合 LSTM 循环神经网络进行自动声音事件检测任务,并将其与现有的单声道方法进行比较,结果表明使用多声道音频、空间和谐特征的自动声音事件检测方法能够提高检测性能。
- BB_twtr 在 SemEval-2017 任务 4 中:使用 CNN 和 LSTM 进行 Twitter 情感分析
使用卷积神经网络与长短时记忆网络,我们成功实现了最先进的 Twitter 情感分类器,通过海量无标注数据来预训练词向量,然后使用少量无标注数据通过远程监督来微调嵌入向量,最终在 SemEval-2017 Twitter 数据集上对 CNN - 佩戴式设备行为识别的深度 LSTM 学习器集成
本文介绍了一种能够应用于人类活动识别领域的深度长短期神经网络模型,该模型使用集成学习方法来提升分类准确度,并在三个标准测试数据集上表现出了出色的识别能力,具有很好的实际应用价值。
- 一种端到端仿人类思维的神经网络架构用于自然语言推理
该研究提出了一种基于神经网络的自然语言推理模型,使用表示学习、LSTM、注意力机制和可组成的神经网络来实现任务,并在 Stanford 自然语言推理数据集上实现了比文献中所有已发布模型更好的准确性。
- NIPS学会学习神经网络
利用 LSTM 神经网络实现元学习,并能将其与手工设计的算法进行对比,在实验中,我们学习了针对非线性可分数据集的一个具有两个隐藏层的 MLP 的学习算法,并且该算法能够成功地更新两个隐藏层的参数并且在类似的数据集上具有泛化性能。
- KDD基于 LSTM 编码器 - 解码器的无监督健康指数的多传感器预测
使用 Long Short Term Memory 编码器 - 解码器方案获取多传感器时间序列数据的无监督健康指数来进行设备剩余寿命估计。
- 一种用于软件代码的深度语言模型
提出了一种基于深度学习和 LSTM(长短时记忆)架构的软件代码语言模型,能够有效地学习软件代码中的长时相关性,实验结果显示其有效性。这项工作为构建 DeepSoft,一种端到端,通用的深度学习框架,促进了软件及其开发过程的建模。
- ICCV引导长短期记忆在图像字幕生成中的应用
该研究致力于解决图像标题生成的问题,提出了一种名为 gLSTM 的扩展型 LSTM 模型,通过将从图像提取的语义信息作为额外输入添加到每个 LSTM 块的单元中,以更紧密地融合图像内容,同时探索了不同的长度标准化策略用于 beam sear - 使用长短期记忆网络进行蛋白质二级结构预测
本文提出了一种基于双向长短期记忆细胞(LSTM)的循环神经网络模型来预测蛋白质的二级结构,使用 CB513 数据集评估,结果显示在 8 个类别中具有更好的性能(0.674)比现有技术(0.664)好。
- 循环神经网络中学习更长记忆
本文介绍了一种用于解决长期依赖的神经网络结构 —— 循环神经网络,并通过对语言建模等实验得出其同 LSTM 网络有着类似的性能表现。
- 2014 年的巴赫:用循环神经网络进行音乐创作
提出了一种计算机音乐作曲框架,利用鲁棒传播 (RProp) 和 长短期记忆 (LSTM) 循环神经网络,成功展示 LSTM 网络适当学习音乐的结构和特征,同时显示利用 RProp 预测现有音乐的结果优于 BPTT。