时间序列预测论文阅读

时间序列预测 | Matlab基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)时间序列预测，单列数据输入

文章目录效果一览文章概述部分源码参考资料效果一览文章概述时间序列预测|Matlab基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)时间序列预测，单列数据输入评价指标包括
前程算法屋·2023-11-18 17:17

多维时序预测 | Matlab基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，多列变量输入

文章目录效果一览文章概述部分源码参考资料效果一览文章概述多维时序预测|Matlab基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，多列变量输入评价指标包括
前程算法屋·2023-11-18 17:17

多维时序预测 | Matlab基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)多变量时间序列预测

文章目录效果一览文章概述部分源码参考资料效果一览文章概述多维时序预测|Matlab基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)多变量时间序列预测评价指标包括
前程算法屋·2023-11-18 17:17

时间序列预测 | Matlab基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)时间序列预测，单列数据输入模型

文章目录效果一览文章概述部分源码参考资料效果一览文章概述时间序列预测|Matlab基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)时间序列预测，单列数据输入模型评价指标包括
前程算法屋·2023-11-18 17:16

多维时序预测 | Matlab基于斑马优化卷积神经网络结合长短期记忆网络融合注意力机制的多变量时间序列预测，ZOA-CNN-LSTM-Attention多变量时间序列超前24步回归预测算法

文章目录效果一览文章概述部分源码参考资料效果一览文章概述多维时序预测|Matlab基于斑马优化卷积神经网络结合长短期记忆网络融合注意力机制的多变量时间序列预测，ZOA-CNN-LSTM-Attention
前程算法屋·2023-11-18 17:46

多维时序 | MATLAB实现PSO-BiGRU-Attention粒子群优化双向门控循环单元融合注意力机制的多变量时间序列预测

多维时序|MATLAB实现PSO-BiGRU-Attention粒子群优化双向门控循环单元融合注意力机制的多变量时间序列预测目录多维时序|MATLAB实现PSO-BiGRU-Attention粒子群优化双向门控循环单元融合注意力机制的多变量时间序列预测预测效果基本介绍模型描述程序设计参考资料预测效果基本介绍
机器学习之心·2023-11-18 17:14

Python中的时间序列分析模型ARIMA

ARIMA模型被广泛用于时间序列预测，并被认为是最流行的方法之一。本文我们将学习如何在Python中搭建和评估用于时间序列预测的ARIMA模型。
python慕遥·2023-11-17 07:12

论文阅读——Blind Super-Resolution Kernel Estimation using an Internal-GAN

##Absract:超分（SR）方法通常是假设低分辨率图像（LR）是通过固定的、理想的下采样核对未知高分辨率图像（HR）中下采样得到的（如：Bicubicdownscaling）。然而，与合成的超分数据集相比，真实LR图像的退化核是未知的。当假设的下采样核偏离真实核时，SR方法的性能会显著下降。这进一步说明，真正的SR核是在LR图像patch上递归最大化的核，可以理解为多种退化核的组合。作者论文中
小不点爱记录·2023-11-17 05:49

House-GAN 论文阅读

House-GAN:RelationalGenerativeAdversarialNetworksforGraph-constrainedHouseLayoutGeneration摘要关键词简介布局问题相关数据集评估指标假设House-GAN模型房间布局生成器房屋布局判别器：实验评估结果摘要图1：House-GAN是基于关系生成对抗网络的新型图约束房屋布局生成器。气泡图作为输入自动生成多个房屋布局
不务正业的程序媛·2023-11-17 05:47

2021 “AI Earth”人工智能创新挑战赛 Task 1

这里写目录标题赛题背景我的初衷数据说明Baselinebaseline衍生模型预测赛题背景作为一个时间序列预测问题，需要基于历史气候观测和模式模拟数据具体包括利用T时刻过去12个月(包含T时刻)的时空序列
小胖胖7·2023-11-17 03:14

70基于matlab的BP神经网络多输入单输出数据结果预测，输出结果包括均方根误差，决定系数

70BP神经网络，时间序列预测(xiaohongshu.com)https://www.xiaohongshu.com/explore/6555d8f80000000033007388
顶呱呱程序·2023-11-17 00:36

【论文阅读】A Survey on Video Diffusion Models

视频扩散模型（VideoDiffusionModel）最新综述+GitHub论文汇总-ASurveyonVideoDiffusionModels。paper：[2310.10647]ASurveyonVideoDiffusionModels(arxiv.org)0.Abstract本文介绍了AIGC时代视频扩散模型的全面回顾。简要介绍了扩散模型的基本原理和演变过程。总结了视频领域的扩散模型研究，将
李加号pluuuus·2023-11-16 21:04

Attention is all you need（Transformer）论文阅读笔记

一、背景seq2seq模型（2014年）：https://blog.csdn.net/zyk9916/article/details/118002934Attention模型（2015年）：https://blog.csdn.net/zyk9916/article/details/118498156对于序列建模和转换问题，大量的研究都围绕以RNN为基础的encoder-decoder架构展开。但是
zyk9916·2023-11-16 19:17

【图文】IRRA:跨模态隐式关系推理与对齐 | CVPR2023

详细内容指路zhihuCVPR2023|IRRA论文阅读摘要Text-to-imagePersonRetrieval的目的是根据给定的文本描述查询确定目标个体。
ca1m4n·2023-11-16 14:53

论文阅读：YOLOV: Making Still Image Object Detectors Great at Video Object Detection

发表时间：2023年3月5日论文地址：https://arxiv.org/abs/2208.09686项目地址：https://github.com/YuHengsss/YOLOV视频物体检测（VID）具有挑战性，因为物体外观的高度变化以及一些帧的不同恶化。有利的信息是，与静止图像相比在视频的某一帧中检测，可以从其他帧中获得支持。因此，如何在不同的框架之间聚合特性是VID问题的关键。大多数现有的聚
万里鹏程转瞬至·2023-11-16 12:48

多维时序 | MATLAB实现PSO-BiLSTM-Attention粒子群优化双向长短期记忆神经网络融合注意力机制的多变量时间序列预测

多维时序|MATLAB实现PSO-BiLSTM-Attention粒子群优化双向长短期记忆神经网络融合注意力机制的多变量时间序列预测目录多维时序|MATLAB实现PSO-BiLSTM-Attention
机器学习之心·2023-11-16 09:12

多视图聚类的论文阅读

当聚类的方式使用的是某一类预定义好的相似性度量时，会出现如下情况：数据聚类方面取得了成功，但它们通常依赖于预定义的相似性度量，而这些度量受原始方法的影响:当输入维数相对较高时，往往是无效的。1.DeepMultinetworkEmbeddedClustering2.Deepconvolutionalself-pacedclustering2.1存在问题与提出的解决方法论文的主要贡献：具体而言，在预
mingqian_chu·2023-11-16 04:30

论文阅读：Discovering New Intents with Deep Aligned Clustering（用深度对齐聚类来发现新意图）

论文链接：代码链接：Abstract在对话系统中发现新意图是一项关键的任务，大多数现有的方法在将先验知识从已知的意图转移到新意图上是有限制的。同样，在对分组未标记的意图方面提供高质量的监督信号去学习clustering-friendly的特征也是有困难的。在这篇论文的工作中，提出了一种有效的方法，DeepAlignedClustering（深度对齐聚类）。发现新的意图是对话系统中的一项关键任务。大
我和同桌正在看论文·2023-11-16 04:59

（论文阅读31/100）Stacked hourglass networks for human pose estimation

31.文献阅读笔记简介题目Stackedhourglassnetworksforhumanposeestimation作者AlejandroNewell,KaiyuYang,andJiaDeng,ECCV,2016.原文链接https://arxiv.org/pdf/1603.06937.pdf关键词HumanPoseEstimation研究问题CNN运用于HumanPoseEstimation，
朽月初二·2023-11-16 03:44

（论文阅读32/100）Flowing convnets for human pose estimation in videos

32.文献阅读笔记简介题目Flowingconvnetsforhumanposeestimationinvideos作者TomasPfister,JamesCharles,andAndrewZisserman,ICCV,2015.原文链接https://arxiv.org/pdf/1506.02897.pdf关键词HumanPoseEstimationinVideos研究问题视频中的人体姿态估计研
朽月初二·2023-11-16 03:44

（论文阅读30/100）Convolutional Pose Machines

30.文献阅读笔记CPMs简介题目ConvolutionalPoseMachines作者Shih-EnWei,VarunRamakrishna,TakeoKanade,andYaserSheikh,CVPR,2016.原文链接https://arxiv.org/pdf/1602.00134.pdf关键词ConvolutionalPoseMachines（CPMs）、articulatedposee
朽月初二·2023-11-16 03:14

FSOD论文阅读 - 基于卷积和注意力机制的小样本目标检测

来源:知网标题:基于卷积和注意力机制的小样本目标检测作者:郭永红，牛海涛，史超，郭铖郭永红，牛海涛，史超，郭铖．基于卷积和注意力机制的小样本目标检测[J/OL]．兵工学报.https://link.cnki.net/urlid/11.2176.TJ.20231108.1418.002摘要典型的FSOD使用FastR-CNN作为基本的检测框架本文亮点:引入混合扩张卷积确保更大的感受野并减少图像信息的
NXU、辉·2023-11-15 18:18

时间序列预测实战(十五)PyTorch实现GRU模型长期预测并可视化结果

往期回顾：时间序列预测专栏——包含上百种时间序列模型带你从入门到精通时间序列预测一、本文介绍本文讲解的实战内容是GRU(门控循环单元)，本文的实战内容通过时间序列领域最经典的数据集——电力负荷数据集为例
Snu77·2023-11-15 15:12

时间序列预测实战(十六)PyTorch实现GRU-FCN模型长期预测并可视化结果

往期回顾：时间序列预测专栏——包含上百种时间序列模型带你从入门到精通时间序列预测一、本文介绍本文讲解的实战内容是GRU-FCN(门控循环单元-全卷积网络)，这是一种结合了GRU（用于处理时间序列数据）和
Snu77·2023-11-15 15:42

论文阅读：Self-supervised Video Representation Learning with Cross-Stream Prototypical Contrasting

题目：Self-supervisedVideoRepresentationLearningwithCross-StreamPrototypicalContrasting作者：MartineToering一、研究背景传统的自监督对比学习不适用于视频：实例级的对比学习取得了很大进展，但是由于操作是用于经过增强的实例集上的，所以并不适用于探索视频的丰富动态结构。视频本身提供的数据增强，如：视角变化，光线
二苏旧局吖·2023-11-15 13:47

【76】论文阅读Learning Procedure-aware Video Representation from Instructional Videos and Their Narrations

LearningProcedure-awareVideoRepresentationfromInstructionalVideosandTheirNarrationsCVPR2023互联网上丰富的instructionalvideos及其解说为理解程序性活动提供了令人兴奋的途径。在这项工作中，作者建议学习视频表征，基于网络instructionalvideos及其叙述的大规模数据集，在不使用人工注
WXiujie123456·2023-11-15 10:20

论文阅读 【79】CVPR 2023 How you feelin’? Learning Emotions and Mental States in Movie Scenes

Howyoufeelin’?LearningEmotionsandMentalStatesinMovieScenesCVPR2023任务：电影故事分析需要理解人物的情绪和心理状态。为了实现这一目标，作者将情感理解定义为在电影场景和每个角色的层面上预测多样化和多标签的情感集。本文工作：提出了EmoTx，这是一种基于多模态Transformer的架构，它可以利用视频、多个角色和对话来进行联合预测。通过
WXiujie123456·2023-11-15 10:50

论文阅读 【77】A Ranking-Based Cross-Entropy Loss for Early Classification of Time Series，SCI 一区

ARanking-BasedCross-EntropyLossforEarlyClassificationofTimeSeriesIEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS，SCI一区Earlyclassificationoftimeseries(ECTS)旨在在观察完整数据之前对时间序列进行分类。它在时间敏感的应用中至关重要，如重症监护病
WXiujie123456·2023-11-15 10:49

多维时序 | MATLAB实现PSO-LSTM-Attention粒子群优化长短期记忆神经网络融合注意力机制的多变量时间序列预测

多维时序|MATLAB实现PSO-LSTM-Attention粒子群优化长短期记忆神经网络融合注意力机制的多变量时间序列预测目录多维时序|MATLAB实现PSO-LSTM-Attention粒子群优化长短期记忆神经网络融合注意力机制的多变量时间序列预测预测效果基本介绍模型描述程序设计参考资料预测效果基本介绍多维时序
机器学习之心·2023-11-15 05:46

论文阅读：Robust High-Resolution Video Matting with Temporal Guidance

发表时间：2021年8月25日项目地址：https://peterl1n.github.io/RobustVideoMatting/论文地址：https://arxiv.org/pdf/2108.11515.pdf我们介绍了一种鲁棒的，实时的，高分辨率的人体视频匹配方法，以实现了新的最先进的性能。我们的方法比以前的方法要轻得多，可以在NvidiaGTX1080TiGPU上以76FPS处理4K和10
万里鹏程转瞬至·2023-11-15 00:02

PP-YOLO论文阅读笔记

PP-YOLO:Aneffectiveandefficientimplementationofobjectdetector期刊:arXivpreprint年份:2020主要内容列举:①:实现一个有效性和效率相对平衡的对象检测器，可以直接应用于实际应用场景;②②:添加了一系列几乎不会增加推断时间的技巧，以提高模型的整体性能;③:PP-YOLO可以在有效性（45.2%mAP)和效率（72.9FPS)之
咕咕咕不咕·2023-11-14 22:50

【论文阅读】GAIN: Missing Data Imputation using Generative Adversarial Nets

论文地址：[1806.02920]GAIN:MissingDataImputationusingGenerativeAdversarialNets(arxiv.org)
轩儿毛肚·2023-11-14 21:51

【论文阅读】MD-GAN: Multi-Discriminator Generative Adversarial Networks for Distributed Datasets

论文地址：[1811.03850]MD-GAN:Multi-DiscriminatorGenerativeAdversarialNetworksforDistributedDatasets(arxiv.org)本文介绍了一种名为MD-GAN的新方法，可以在分布式数据集上训练生成对抗网络（GAN）。文章首先介绍了GAN的背景和构成，然后提出了分布式GAN训练的挑战，即如何在多个工作节点上细粒度地分配
轩儿毛肚·2023-11-14 21:36

【论文阅读】(VAE-GAN)Autoencoding beyond pixels using a learned similarity metric

论文地址;[1512.09300]Autoencodingbeyondpixelsusingalearnedsimilaritymetric(arxiv.org)/一、Introduction主要讲了深度学习中生成模型存在的问题，即常用的相似度度量方式（使用元素误差度量）对于学习良好的生成模型存在一定的障碍，并提出了一种新的方法——使用学习到的相似度度量方式来改善生成模型的性能。同时，该部分还介绍
轩儿毛肚·2023-11-14 21:36

【论文阅读】PC-GAIN: Pseudo-label Conditional Generative Adversarial Imputation Networks for Incomplete Da

论文地址;[2011.07770]PC-GAIN:Pseudo-labelConditionalGenerativeAdversarialImputationNetworksforIncompleteData(arxiv.org)摘要有缺失值的数据集在实际应用程序中非常常见。GAIN是最近提出的用于缺失数据插补的深度生成模型，已被证明优于许多最先进的方法。但GAIN仅使用生成器中的重构损耗来最小化
轩儿毛肚·2023-11-14 21:05

【论文阅读】(CTGAN)Modeling Tabular data using Conditional GAN

论文地址：[1907.00503]ModelingTabulardatausingConditionalGAN(arxiv.org)摘要  对表格数据中行的概率分布进行建模并生成真实的合成数据是一项非常重要的任务，有着许多挑战。本文设计了CTGAN，使用条件生成器解决挑战。为了帮助进行公平和彻底的比较建模这类数据的方法，本文设计了一个基准测试，包括7个模拟数据集和8个真实数据集，以及几个贝叶斯网络
轩儿毛肚·2023-11-14 20:52

竞赛 题目：基于LSTM的预测算法 - 股票预测 天气预测 房价预测

文章目录0简介1基于Keras用LSTM网络做时间序列预测2长短记忆网络3LSTM网络结构和原理3.1LSTM核心思想3.2遗忘门3.3输入门3.4输出门4基于LSTM的天气预测4.1数据集4.2预测示例
iuerfee·2023-11-14 20:51

YOLOv5改进，论文阅读建议

"EfficientNet:RethinkingModelScalingforConvolutionalNeuralNetworks"，这是一篇在2019年提出的论文，提出了一种新的CNN模型缩放方法，可以根据目标任务的复杂性自适应地缩放网络深度、宽度和分辨率，从而在不增加计算量的情况下提高模型精度。"BagofTricksforImageClassificationwithConvolution
DeepQi·2023-11-14 17:20

【目标跟踪】ECO算法论文阅读：ECO: Efficient Convolution Operators for Tracking

文章目录1.论文概要2.研究背景和动机3.相关滤波用于目标跟踪的原理4.ECO算法流程5.ECO算法创新点5.1特征降维：PCA5.2训练集简化：GMM5.3模型更新策略：间歇更新1.论文概要论文下载地址：ECO:EfficientConvolutionOperatorsforTracking发表时间：CVPR2017作者：MartinDanelljan（瑞典），目标跟踪领域的大牛官方代码：htt
ctrl A_ctrl C_ctrl V·2023-11-14 12:18

SPSS时间序列模型预测

目录1.时间序列预测模型2.SPSS实现3.结果分析1.时间序列预测模型时间序列预测是指根据时间序列数据的历史值，来预测未来的数值走势。常用的时间序列预测模型包
抱抱宝·2023-11-14 02:46

论文阅读-Practical Secure Aggregation for Privacy-Preserving Machine Learning（谷歌.CCS.2017）

实用的用户隐私机器学习安全聚合的算法1.前置知识门限机制和Shamir秘密共享秘密s通过某种方案被分成n个部分，每个部分被称为份额或者影子，由一个参与者持有，使得：由k个或多于k个参与者所持有的部分可以重构S由少于k个参与者所持有的部分则无法重构S该方案称为（k,n）秘密分割门限方案，k称为门限值shamir于1979年，基于多项式插值算法设计了shamir(t,n)门限共享体制，他的秘密分配算法
md5_NULL·2023-11-14 01:59

Neural Collaborative Filtering 论文阅读和复现

NeuralCollaborativeFiltering论文阅读和复现AbstractMethodsExperimentsandResultsDataset首先是数据理解功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中
Taosolo·2023-11-14 01:47

（论文阅读28/100 人体姿态估计）Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

28.文献阅读笔记简介题目RealtimeMulti-Person2DPoseEstimationusingPartAffinityFields作者ZheCao,TomasSimon,Shih-EnWei,andYaserSheikh,CVPR,2017.原文链接arxiv.org/pdf/1611.08050.pdf【人体姿态估计2】Real-timeMulti-person2dposeesti
朽月初二·2023-11-13 19:16

（论文阅读29/100 人体姿态估计）

29.文献阅读笔记简介题目DeepCut:JointSubsetPartitionandLabelingforMultiPersonPoseEstimation作者LeonidPishchulin,EldarInsafutdinov,SiyuTang,BjoernAndres,MykhayloAndriluka,PeterGehler,andBerntSchiele,CVPR,2016.原文链接h
朽月初二·2023-11-13 19:12

（论文阅读26/100）Weakly-supervised learning with convolutional neural networks

26.文献阅读笔记简介题目Weakly-supervisedlearningwithconvolutionalneuralnetworks作者MaximeOquab，LeonBottou，IvanLaptev，JosefSivic，CVPR，2015原文链接http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Oquab_
朽月初二·2023-11-13 14:50

DeCLIP 论文阅读

DeCLIP:supervisionexistseverywhere:adataefficientcontrastivelanguage-imagepre-trainingparadigm贡献：论文是为了充分利用单模态和多模态，充分利用单模态特征用自监督（SIMSAM和MLM），多模态用图像文本对比学习实现；一个图片的文本描述大部分都是集中在局部区域，作者使用RRC得到一个图像的局部区域进行实现；
B1CK·2023-11-13 14:50

FD-Align论文阅读

FD-Align:FeatureDiscriminationAlignmentforFine-tuningPre-TrainedModelsinFew-ShotLearning（NeurIPS2023）主要工作是针对微调的和之前的prompttuining，adapter系列对比Motivation：通过模型对虚假关联性的鲁棒性来解释全微调的CLIP的out-of-distribution(OOD
B1CK·2023-11-13 14:50

（论文阅读25/100）Learning Multi-Domain Convolutional Neural Networks for Visual Tracking

25.文献阅读笔记Multi-DomainNetwork(MDNet)简介题目LearningMulti-DomainConvolutionalNeuralNetworksforVisualTracking作者HyeonseobNamandBohyungHan原文链接https://arxiv.org/pdf/1510.07945.pdf关键词Multi-DomainNetwork(MDNet)研
朽月初二·2023-11-13 14:49

（论文阅读27/100）Deep Filter Banks for Texture Recognition and Segmentation

27.文献阅读笔记简介题目DeepFilterBanksforTextureRecognitionandSegmentation作者MirceaCimpoi,SubhransuMaji,AndreaVedaldi,原文链接http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Cimpoi_Deep_Filter_Banks
朽月初二·2023-11-13 14:08

[论文阅读] CLRerNet: Improving Confidence of Lane Detection with LaneIoU

Abstract车道标记检测是自动驾驶和驾驶辅助系统的重要组成部分。采用基于行的车道表示的现代深度车道检测方法在车道检测基准测试中表现出色。通过初步的Oracle实验，我们首先拆分了车道表示组件，以确定我们方法的方向。我们的研究表明，现有的基于行的检测器已经能预测出正确的车道位置，而准确表示与地面实况相交-不相交（IoU）的置信度分数是最有利的。基于这一发现，我们提出了LaneIoU，通过考虑局部
大龙唉·2023-11-13 10:10
上一页 19 20 21 22 23 24 25 26 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他