temporal 第6页

论文了解-3D human pose estimation in video with temporal-conv

前言本文是2019年的CVPR，内容主要是视频中的姿态估计。本文的主要思想是：2D姿态估计+视频中的时序信息=3D姿态估计。且效果好于同时期所有的3D姿态估计模型。技术理解开始先放出网络结构。采用的是Res-Net的网络结构。需要注意网络的需要是一组2Dpose的坐标。这里我主要说一下该文中用到的重要方法，网络结构不进行讲述。模型思想2D到3D，3D到2D。预测出的2D坐标转化为3D坐标后，再将预

准小赖·2023-01-25 08:42

【VideoPose3D】可视化自定义视频

https://openaccess.thecvf.com/content_CVPR_2019/papers/Pavllo_3D_Human_Pose_Estimation_in_Video_With_Temporal_Conv

菜鸟的自我修养～·2023-01-25 08:12

【论文阅读笔记】3D human pose estimation in video with temporal convolutions and semi-supervised training

论文地址：3Dhumanposeestimationinvideowithtemporalconvolutionsandsemi-supervisedtraining代码地址：VideoPose3D论文总结本文方法名为VideoPose3D，使用2D关键点序列（xi,yix_i,y_ixi,yi）预测某个时间点的3D关键点，大致就是使用一段2D坐标序列（而不是作用在2Dheatmap上）动作去

时光机ﾟ·2023-01-25 08:41

3D Human Pose Estimation with Spatial and Temporal Transformers论文笔记

一.概述3D人体姿态估计的方法主要分为两类：直接估计（Directestimation）和2D到3D(2Dto3Dlifting)。其中2D到3D的方法先利用SOTA2D人体姿态估计算法得到2D关键点，再通过神经网络估计3D人体姿态。基于其优异的表现，2D到3D已成为主流方法。与从单张图片中估计3D人体姿态相比，从视频中估计3D人体姿态能利用时序信息进行更准确的预测。然而主流方法大多利用时序卷积（

由崎司超可爱·2023-01-24 08:10

机器学习小白阅读笔记：深度学习时序预测模型 Temporal Fusion Transformers

机器学习笔记：深度学习时序预测模型TemporalFusionTransformers前言由于接触的时序预测问题基本都来自于数字化转型期的企业，我经常发现，在解决实际时序预测问题的时候，大部分时候还是用树模型结合特征工程的思路，关键点往往都在数据和特征工程上，如果想要使用深度学习，有时候客户的数据量不满足，有时候客户的生产环境不允许。我自己在一些时序预测问题，比如销量预测问题的比赛上，也做过一些尝

MetLightt·2023-01-24 08:39

GAMES202 笔记 -Glimpse of Industry Solution

基于图像的反走样-SMAA(EnhancedsubpixelmorphologicalAA)三、TemporalSuperResolutionDLSS1.0：通过猜测来提供额外信息的DLSS2.0：利用temporal

奇迹小缘·2023-01-21 07:07

Keras loss函数

,可以为已经定义好的loss函数名称，也可以为自己写的loss函数metrics=None,#sample_weight_mode=None,#如果你需要按时间步为样本赋权（2D权矩阵），将该值设为“temporal

姚贤贤·2023-01-19 20:01

Reinforcement Learning: An Introduction Second Edition - Chapter 6

Temporal-DifferenceLearning时序差分（TD）学习是强化学习最核心、最新颖的思想。TD学习结合了MC方法和DP方法的思想。

会飞的斯芬克斯·2023-01-18 21:34

Reinforcement Learning: An Introduction Second Edition - Chapter 8

Model-basedRLmethods:dynamicprogramming,heuristicsearch,…Model-freeRLmethods:MonteCarlo,temporal-difference

会飞的斯芬克斯·2023-01-18 21:34

TD Temporal-Difference Learning 时序差分法（差分学习）

temporary英['temp(ə)rərɪ]美[ˈtempəreri]adj.临时的，暂时的;短暂的n.临时工，临时雇TD算法是RL的核心算法。TD是DP和MC算法的结合。LikeDP,TDmethodswithoutwaitingforafinaloutcome(theybootstrap)。TD(0),orone-stepTDAdvantagesofTDPredictionMethodsT

学习炒菜的小芹菜·2023-01-18 21:32

论文阅读笔记：DSTGCN-Deep spatio-temporal graph convolutional network for traffic accident prediction

文章地址：https://doi.org/10.1016/j.neucom.2020.09.043特点：道路级别而非网格，未使用RNN一类时间序列网络，残差网络abstract：在现实世界中，交通事故通常会导致严重的人员伤亡和巨大的经济损失。及时准确地预测交通事故对保护公共安全和减少经济损失有很大的潜力。然而，由于交通事故具有复杂的因果关系，包括交通相关异质数据中的空间相关性、时间动态交互性和外部

ayuuuuu·2023-01-17 11:19

论文阅读220228_Safe Trajectory Generation for Complex Urban Environments Using Spatio-Temporal Semantic

0、摘要提出了一种新颖的时空语义走廊（spatio-temporalsemanticcorridor，SSC）开源代码：https://github.com/HKUST-Aerial-Robotics/spatiotemporal_semantic_corridorSafeTrajectoryGenerationforComplexUrbanEnvironmentsUsingSpatio-Temp

BorisVandermeer·2023-01-16 18:46

说话人识别中的Temporal pooling（时序池化）

概述Temporalpooling（时序池化）是说话人识别神经网络中，声学特征经过frame-level变换之后，紧接着会进入的一个layer。目的是将维度为(bs,F,T)(bs,F,T)(bs,F,T)的特征图，变换成维度为(bs,F)(bs,F)(bs,F)的特征向量在这个过程中，T这个维度，也就是frame的个数，消失了，因此时序池化本质上可以看作：从一系列frame的特征中，挖掘出最能代

DEDSEC_Roger·2023-01-16 08:09

Temporal Anti-Aliasing（时域抗锯齿TAA）

首先说一下走样：一般分为时域走样（如旋转车轮）和空域走样（锯齿），但在TAA技术是采用时域相关叠加混合技术来解决空域走样的问题。简单看一下空域抗锯齿(SpatialAnti-Aliasing,SAA)相关技术，最普及的莫过于MSAA，被各大渲染引擎采用，但是MSAA并不适用于延迟渲染(DeferredRendering)，随之出现了很多基于形态学的后处理抗锯齿技术，如MLAA，FXAA，SMAA等

沉默的舞台剧·2023-01-15 08:35

【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（4）

【论文阅读】Spatio-TemporalGraphConvolutionalNetworks:ADeepLearningFrameworkforTrafficForecasting[时空图卷积网络:用于交通预测的深度学习框架]（4）4.Experiments（实验）4.1DatasetDescription（数据集描述）4.2DataPreprocessing（数据预处理）4.3Experime

炎武丶航·2023-01-14 20:48

RTFM：Weakly-supervised Video Anomaly Detection with Robust Temporal Feature【ICCV 2021】附代码注释

论文解读【摘要】具有弱监督视频级别标签的异常检测通常被表述为多实例学习（MIL）问题，其中我们旨在识别包含异常事件的片段，每个视频被表示为一个视频片段包（Bag）。尽管当前的方法显示出有效的检测性能，但它们对正样本（即异常视频中的稀有异常片段）的识别在很大程度上受到大量负样本的影响，尤其是当异常事件是与正常事件相比仅表现出微小差异时。在许多忽略重要视频时间依赖性的方法中，这个问题更加严重。为了解决

计算机视觉从零学·2023-01-14 11:58

论文阅读 (64)：Weakly-supervised Video Anomaly Detection with Robust Temporal Feature Magnitude Learning

文章目录1引入1.1题目1.2代码1.3摘要1.4Bib2RTFM2.1理论动机2.2多尺度时间特征学习2.3特征量级学习2.4RTFM帧级分类器3实验3.1数据集和度量标准3.2实现细节1引入1.1题目 2021CVPR：用于弱监督视频异常检测的健壮性时间特征量级学习(Weakly-supervisedvideoanomalydetectionwithrobusttemporalfeature

因吉·2023-01-14 11:53

Predictive State Temporal Difference Learning 原文翻译预测状态时间差分学习

PredictiveStateTemporalDifferenceLearningByronBoots，GeoffreyJ.Gordon，2010，nips摘要我们提出了一种新的价值函数逼近方法，它将线性时间差分强化学习与子空间识别相结合。在实际应用中，强化学习（RL）由于状态是高维的或部分可观察的这一事实而变得复杂。因此，RL方法被设计为与状态特征而不是状态本身一起工作，并且学习的成功或失败通常

oni小涛·2023-01-14 08:42

强化学习（二）第二章 Temporal Difference Learning Methods for Prediction

第二章TemporalDifferenceLearningMethodsforPrediction2.1WhatisTemporalDifference(TD)learning?2.2RichSutton:TheImportanceofTDLearning2.3Theadvantagesoftemporaldifferencelearning2.4ComparingTDandMonteCarlo2

蛋总的快乐生活·2023-01-14 08:12

【强化学习算法】Temporal Difference learning for Model Predictive Control论文(TDMPC)总结

文章目录TDMPC总结1.model-based&model-free方法1.1本质区别1.2优缺点2.on-policy&off-policy2.1定义2.2优缺点3.本文TemporalDifferencelearningforModelPredictiveControl3.1重点要解决什么问题3.2算法原理3.2.1预备知识：ModelPredictiveControl(MPC)3.2.2T

Baily24·2023-01-14 08:10

视频超分：RRN（Revisiting Temporal Modeling for Video Super-resolution）

论文：用于视频超分的再审视时空模型文章检索出处：2020BMVC摘要和简介在这项工作中，我们仔细研究和比较了三种实现视频超分的时间建模方法（早期融合2DCNN，缓慢融合3DCNN和RNN）。我们提出了一种新颖的递归残差网络（RRN），以实现有效的视频超分。其中利用残差学习来稳定RNN的训练并同时提高超分辨率性能。大量实验表明，与其他时间建模方法相比具有更好的细节。此外，所提出的方法实现了SOTR。

WangsyHebut·2023-01-14 07:00

PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测

目录I.前言II.STGCNIII.PyGTemporalIV.模型训练/测试V.代码I.前言前面已经写过不少时间序列预测的文章：深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）PyTorch搭建LSTM实现时间序列预测（负荷预测）PyTorch中利用LSTMCell搭建多层LSTM实现时间序列预测PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）PyT

Cyril_KI·2023-01-12 06:05

时序图文献精度——2.2018-arXiv-Learning Dynamic Embeddings from Temporal Interaction Networks

LearningDynamicEmbeddingsfromTemporalInteractionNetworksAbstract表示学习为用户和物品属性的动态演变建模提供了一种有吸引力的解决方案，其中每个用户/物品可以嵌入到欧几里得空间中，其演变可以通过嵌入的动态变化来建模。在此，作者提出了一种耦合循环模型JODIE，从用户-项目交互序列中学习用户和项目的动态嵌入。JODIE有三个组件。首先，更新

头发没了还会再长·2023-01-11 10:00

时序图文献精度——1.2018-KDD-Embedding Temporal Network via Neighborhood Formation

EmbeddingTemporalNetworkviaNeighborhoodFormationAbstract作者发现，在现有的研究中，以节点间顺序交互事件为特征的网络的完整时间形成过程还很少被建模，在这边文章中，作者引入邻域形成序列的概念来描述节点的演化，序列中的邻域之间存在时间激励效应，因此提出了一种基于Hawkes过程的时间网络嵌入(HTNE)方法，并且在实验上都取得了较好的结果。1.In

头发没了还会再长·2023-01-11 10:30

文献阅读（19）KDD2019-Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks

本文是对《PredictingDynamicEmbeddingTrajectoryinTemporalInteractionNetworks》一文的浅显翻译与理解，原文章已上传至个人资源，如有侵权即刻删除。朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~Chinese-Reading-Notes-of

学徒刘猛·2023-01-11 10:56

时序图文献精度——4.2019-KDD-Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks

PredictingDynamicEmbeddingTrajectoryinTemporalInteractionNetworks该文章是对LearningDynamicEmbeddingsfromTemporalInteractionNetworks这篇文章的部分修正，修正部分如下在3.1Embeddingupdateoperation部分，对用户和商品两个RNN的嵌入学习中，公式进行了一定修正

头发没了还会再长·2023-01-11 10:24

时空图学习笔记：Structural-RNN: Deep Learning on Spatio-Temporal Graphs

论文链接：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Jain_Structural-RNN_Deep_Learning_CVPR_2016_paper.pdf此为原创笔记，如需转载请注明时空图和结构化RNN:st-graphandstructural-RNN目录时空图和结构化RNN:st-graphandst

赞赞de小乖fan·2023-01-10 06:52

[论]【MGT】Meta Graph Transformer: A Novel Framework for Spatial–Temporal Traffic Prediction

MetaGraphTransformer:ANovelFrameworkforSpatial–TemporalTrafficPrediction原文，见这里作者：XueYe,ShenFang,FangSun，ChunxiaZhang,ShimingXian期刊：爱思唯尔Neurocomputing关键字：交通预测，时空建模，元学习，注意机制，深度学习相关博文：翻译代码：https://github

panbaoran913·2023-01-08 15:21

【论文阅读】Attention Based Spatial-Temporal GCN...Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（1）

【论文阅读】AttentionBasedSpatial-TemporalGraphConvolutionalNetworksforTrafficFlowForecasting[基于注意力的时空图卷积网络交通流预测]（1）1.Introduction（介绍）2.Relatedwork（相关工作）参考文献AttentionBasedSpatial-TemporalGraphConvolutionalN

炎武丶航·2023-01-08 10:15

Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

ASTGCN（基于注意力机制的时空图卷积网络）1.文章概述1.1主要贡献1.2本文出发点1.3相关工作2.AttentionBasedSpatial-TemporalGraphConvolutionalNetworks2.1Spatial-TemporalAttention2.2Spatial-TemporalConvolution2.3Multi-ComponentFusion3.实验4.展望1

wwj灬·2023-01-08 09:43

[论+1]Deep spatial–temporal sequence modeling for multi-step passenger demand prediction

⭐️Deepspatial–temporalsequencemodelingformulti-steppassengerdemandprediction原文，见这里作者：LeiBai,LinaYao,XianzhiWang,CanLi,XiangZhang期刊：爱斯维尔FutureGenerationComputerSystems关键字：旅客需求预测,时空相关性,图卷积网络,长短时记忆类似文章《S

panbaoran913·2023-01-08 09:12

论文笔记《Spatio-Temporal Graph Structure Learning for Traffic Forecasting》

【论文】ZhangQ,ChangJ,MengG,etal.Spatio-TemporalGraphStructureLearningforTrafficForecasting[C]//ProceedingsoftheAAAIConferenceonArtificialIntelligence.2020,34(01):1177-1185.【代码】暂无目录1.StructureLearningConv

mintminty·2023-01-08 09:42

GCN-LSTM预测道路车辆速度英文 Forecasting using spatio-temporal data with combined Graph Convolution LSTM model

GCN-LSTM模型预测道路交通车辆速度GCN：又称GNN，图神经网络LSTM：长短时记忆网络可做学习参考AbstractAccuratetrafficpredictioniscriticalfortrafficplanning,administration,andcontrolinthesmartcity.However,becauseofthecomplicatedtopologicalcon

刘元职业车队·2023-01-08 09:07

【翻译】Robust High-Resolution Video Matting with Temporal Guidance

Kaleidoscope-·2023-01-06 20:50

论文阅读课11-TEMPROB：Improving Temporal Relation Extraction with a Globally Acquired Statistical Resource

文章目录abstract1.Introduction2.相关工作3TEMPROB:AProbabilisticResourceforTempRels3.1事件抽取3.2TempRel提取3.2.1features3.2.2learning3.3Interence3.4corpus3.5有趣的统计3.6极端情况3.7下列事件的分布4.实验4.1QualityAnalysisofTEMPROB4.2I

叶落叶子·2023-01-06 09:26

论文翻译：2022_DNS_1th：Multi-scale temporal frequency convolutional network with axial attention for spee.

论文地址：带轴向注意的多尺度时域频率卷积网络语音增强论文代码：https://github.com/echocatzh/MTFAA-Net引用：ZhangG,YuL,WangC,etal.Multi-scaletemporalfrequencyconvolutionalnetworkwithaxialattentionforspeechenhancement[C]//ICASSP2022-2022

凌逆战·2023-01-06 08:05

Vehicle Speed Forecasting Based On GCN-LSTM Combined Model

VehicleSpeedForecastingBasedOnGCN-LSTMCombinedModelSummaryThisresearchoffersamultisteptrafficflowforecastingframeworkrelyingoninterestspatial-temporal-graphneuralnetwork-longshort

刘元职业车队·2023-01-05 12:24

一文带你掌握JPA实体类注解

目录基本注解@Entity@Table@Basic(未加注解的默认注解)@Transient@Column@Id@GeneratedValue@GenericGenerator其他注解@Enumerated@Temporal

·2023-01-05 07:04

[论文笔记] Temporal RoI Align 阅读笔记

TemporalRoIAlign阅读笔记TemporalROIAlignforVideoObjectRecognition（AAAI2021）摘要引言TemporalRoIAlign实验结果TemporalROIAlignforVideoObjectRecognition（AAAI2021）论文链接：论文链接代码链接：mmdetection代码这篇文章提出了TemporalRoIAlign方法，用

吉他A梦·2023-01-05 01:12

论文阅读——Temporal Convolutional Attention-based Network For Sequence Modeling

https://arxiv.org/pdf/2002.12530.pdf代码：https://github.com/haohy/TCAN用于序列建模的基于注意力的时序卷积网络作者提出一种时序卷积注意力网络TemporalConvolutionalAttention-basedNetword（TCAN），包括两部分：TemporalAttention（TA）捕捉序列内部的相关特征；EnhancedR

liuy9803·2023-01-03 11:52

论文阅读笔记：Traffic Anomaly Prediction Based on JointStatic-Dynamic Spatio-Temporal EvolutionaryLearning

基于静态-动态时空联合进化的交通异常预测学习代码：GitHub-zwzhangzzz/SNIPER:SNIPER_tensorflow实在看不懂它是怎么对数据预处理的，，，有空再看吧，，，摘要：准确的交通异常预测提供了一个在正确的位置及时拯救伤员的机会。然而，交通异常的复杂过程受到各种静态因素和动态相互作用的影响。最近不断发展的表征学习为理解这一复杂过程提供了新的可能性，但也面临着数据分布不平衡和

ayuuuuu·2023-01-03 11:29

TGAT：INDUCTIVE REPRESENTATION LEARNING ON TEMPORAL GRAPHS 论文笔记

INDUCTIVEREPRESENTATIONLEARNINGONTEMPORALGRAPHS摘要简介TGAT框架TimeEncoding函数时序图注意力层（TGATlayer）如果边上有不同的特征实验实验设置LossFunction摘要在时序图上进行推断式表示学习十分重要。作者提出节点embedding应该同时包括静态节点特征以及变化的拓扑特征。作者提出的TGAT模型以自注意力机制为基础并根据谐

年年年年年·2023-01-03 08:01

TGN：Temporal Graph Networks论文解读

公众号异度侵入“图神经网络（GNNs）的研究已经成为今年机器学习领域的热门话题之一。GNNs最近在生物、化学、社会科学、物理等领域取得了一系列成功。但GNN模型目前以静态图上偏多，然而现实世界许多关系是动态的，比如社交网络、金融交易和推荐系统，动态的变化包含了许多重要信息，只考虑静态图，很难捕捉到其中信息。”本篇文章发表在ICLR2020上，对动态图的节点进行连接预测。TGN中，作者除利用传统的图

captainqxy·2023-01-03 08:31

视频超分：TGA（Video Super-resolution with Temporal Group Attention）

论文：视频超分与时域注意机制文章检索出处：2020CVPR摘要和简介提出了一种新颖的神经网络，通过帧速率组以分层的方式有效的融合了时空信息。介绍了一种快速空间对齐方法去处理大规模运动的视频。所提出的上述两种方法实现了SOTR。方法Overview给定一个参考帧ItLI_t^LItL和2N个相邻帧{It−NLI_{t-N}^LIt−NL,…,ItLI_t^LItL,…It+NLI_{t+N}^LIt

WangsyHebut·2023-01-03 08:00

MTGAT:Multimodal Temporal Graph Attention；图卷积网络用于多模态情感分析

摘要多模态数据呈现复杂的多关系以及时序交互的特点，从这样的数据中学习具有挑战性本文提出了MTGAT。它是基于图以及具有可解释性的神经网络模型，可以利用这个框架解决多模态序列数据主要包括两个部分：构建以及处理。首先将非对齐的多模态序列转换成具有异构型(heterogeneous)节点以及边的图，这个过程可以随着时间的推移捕获到不同模态之间的交互。其次，使用多模态时序注意力以及动态pruning和re

Bourne___1·2022-12-31 08:50

时空数据建模的跨节点联邦图神经网络：KDD21 Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling

前言联邦学习（FL）虽然已经被广泛研究，但是对复杂的时空依赖关系进行建模以提高预测能力仍然是一个开放的问题。此外目前最优的时空预测模型假定对数据的访问不受限制，忽略了对数据共享的限制。基于此，本文提了一个基于图联邦学习的时空数据模型Cross-NodeFederatedGraphNeuralNetwork(CNFGNN)，该模型在跨节点联邦学习的约束下，使用基于图神经网络（GNN）的架构对底层图结

no one847·2022-12-30 20:04

Collaborative Filtering with Temporal Dynamics------Yehuda Koren

个体用户的喜好可能会随着时间有所改变，我们称之为conceptdrift（观念转移），推荐系统的一大任务就是出去暂时性的喜好的影响，而获取到用户长期喜好的features。conceptdrift包括新物品或新服务的出现（特定的节假日，季节性周期变化）---这些变化是群体性的变化（即大家都会有所转变）；还有一些是各体性的变化（家庭结构的转变，用户的成长影响对电影，商品的喜好）---这些变化不能别建

weixin_33755557·2022-12-30 11:01

论文笔记：Collaborative Filtering with Temporal Dynamics

参考列表：https://wenku.baidu.com/view/e4c5bb4811661ed9ad51f01dc281e53a5902513b.htmlhttps://www.cnblogs.com/imczxj/p/3949222.htmlhttps://blog.csdn.net/zhaoxinfan/article/details/12580135摘要用户的偏好通常是时变的，这要求我们

菲菲小姐·2022-12-30 11:01

没有看明白的论文---Recommendation with Temporal Dynamics Based on Sequence Similarity Search

云晕无·2022-12-30 11:29

Collaborative Filtering with Temporal Dynamics

CollaborativeFilteringwithTemporalDynamicsCollaborativeFilteringwithTemporalDynamics摘要随着时间的推移，客户对产品的偏好在不断变化。随着新选择的出现，产品认知和受欢迎程度也在不断变化。同样，顾客倾向也在演变，导致他们重新定义自己的品味。因此，在设计推荐系统或一般客户偏好模型时，建模时间动态应该是一个关键。然而，这提

GitNoob·2022-12-30 11:29

推荐频道

temporal