关键词spatial-temporal correlation
搜索结果 - 8
- MKF-ADS：面向汽车的多知识融合异常检测系统
在本文中，我们提出了一种新颖的多知识融合异常检测模型 MKF-IDS，该模型具备强大的预测和检测性能，通过空时关联和知识蒸馏等技术对智能交通系统中的安全问题进行解决。
- 多透视 空时关系变换的精确 3D 人体姿势估计
我们提出了一个多阶段的 3D 序列到序列人体姿势检测框架，利用变压器的自注意力机制从多视角视频数据中捕捉空间 - 时间相关性，实验结果表明我们的方法在 Human3.6M 数据集上表现出色。
- 时空深度学习辅助降低安全约束单位组合问题
该研究使用高级机器学习模型通过考虑基于图神经网络 (GNN) 的空间相关性和基于长短期记忆 (LSTM) 网络的时间序列研究模式，来挖掘电力系统历史数据中的地理和时间相关性，以有效预测发电机等级计划，应用于 SCUC 模型简化，提高计算效率 - STC-IDS：基于时空相关特征分析的智能联网汽车入侵检测系统
提出了一种基于空时相关性特征的汽车入侵检测模型 (STC-IDS)，该模型通过编码检测架构强制生成空时关注特征并实现异常分类，并在真实世界的车辆攻击数据集上显示了优异的性能。
- 视频中人物重新识别的时空相关性和拓扑学习
本文提出了一种新的 CTL 框架来实现视频行人重新识别，其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征，采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征，并通过构建多尺度图形来捕捉分层时空依赖性和结构信息，最终证明了该方法 - KDD保持动态关注力的长期时空预测
该论文提出了一种具有多空间注意力机制的动态切换 - 注意力网络（DSAN），用于解决城市智能数据挖掘系统中的长期预测问题。通过在输入和输出之间显式测量关联性并应用自我注意来提取有价值的信息，并通过实现切换 - 注意力机制将输出直接连接到精制 - 基于混合深度学习框架的深度空气质量预测
该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该 - 基于多模态深度学习的交通流量预测的混合方法
本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的