Temporal 第6页

论文阅读：Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

AAAI2021的一篇文章，文章标题为：Spatial-TemporalFusionGraphNeuralNetworksforTrafficFlowForecasting。问题:交通速度预测，数据集为PeMS，METR-LA。动机：（1）道路之间的时空依赖性和复杂的动态变化趋势.现有的工作通过给定图结构会限制时空依赖的学习。（这点与ijcai2019,GraphwaveNet;KDD2020MT

Bruce-XIAO·2023-02-01 16:54

论文笔记：Graph WaveNet for Deep Spatial-Temporal Graph Modeling

IJCAI20191abstract&intro时空数据挖掘问题大多数使用邻接矩阵来建模节点之间的属性关系，这种思路的一个基本假设是：节点信息取决于自身和邻居的历史信息。但这类模型的假设存在着一些问题：未能充分建模节点之间的依赖关系两个节点之间没有连边，但是有依赖关系两个节点虽然是邻居节点，但是没有依赖关系未能有效学习到时间的依赖关系RNN：迭代传播耗时（无法并行）、存在梯度爆炸/消失的问题CNN

UQI-LIUWJ·2023-02-01 12:37

动手学强化学习（四）：时序差分算法（Temporal Difference）

动手学强化学习（四）：时序差分算法（TemporalDifference）1.简介2.时序差分方法3.Sarsa算法4.多步Sarsa算法5.Q-learning算法在线策略算法与离线策略算法6.总结文章转于伯禹学习平台-动手学强化学习（强推）更多Ai资讯：公主号AiCharm与君共勉，一起学习。1.简介动态规划算法要求马尔可夫决策过程是已知的，即要求与智能体交互的环境是完全已知的（例如迷宫或

AiCharm·2023-01-31 13:46

2021-ADNet：监控视频中的时间异常检测ADNet: Temporal Anomaly Detection in Surveillance Videos

异常检测一般的方法是学习环境中的正常行为，将一切不正常的行为定义为不正常，这种方法可能会产生一些误报，但是有可能识别不包括在训练数据集中的异常情况。另一种方法是将数据集中的异常情况喂给模型学习，并尝试识别它们，但是失去了识别没有训练过的异常情况的能力。本文的贡献：1.提出了一个异常检测网络：ADNet，利用卷积来定位视频中的异常。2.为了提高ADNet的异常检测能力，提出了AD损失函数。3.扩展了

半分热度·2023-01-31 12:02

时空行人重识别 Spatial-Temporal Person Re-identification

时空行人重识别Spatial-TemporalPersonRe-identificationGuangcongWang1,JianhuangLai1;2;3,PeigenHuang1,XiaohuaXie1;2;3中山大学数据与计算机科学学院，中国广东省信息安全技术重点实验室教育部机器智能与高级计算重点实验室摘要：目前大多数行人重识别方法忽略了时空约束。对于给定的查询图像，传统的方法计算查询图像与

Litonesps·2023-01-31 11:11

Pytorch上下采样函数--interpolate用法

None,scale_factor=None,mode='nearest',align_corners=None):根据给定size或scale_factor，上采样或下采样输入数据input.当前支持temporal

小火箭丶·2023-01-31 10:03

读论文：A novel framework for spatio‑temporal prediction of environmental data using deep learning

标题:利用深度学习对环境数据进行时空预测的新框架作者:FedericoAmato,FabianGuignard,SylvainRobert&MikhailKanevski文章目录==Abstract====Introduction====贡献====综述==一、相关工作二、方法2.1利用EOFs进行时空数据分解2.2系数建模2.3时空半变异函数三、实验结果3.1模拟数据集实验3.2温度监测网络实验

a44267113·2023-01-29 09:01

FB-MSTCN: A FULL-BAND SINGLE-CHANNEL SPEECH ENHANCEMENT METHODBASED ON MULTI-SCALE TEMPORAL CONVOLU

题目：FB-MSTCN:AFULL-BANDSINGLE-CHANNELSPEECHENHANCEMENTMETHODBASEDONMULTI-SCALETEMPORALCONVOLUTIONALNETWORK[ICASSP2022arXiv:2203.07684v1]Motivation由于训练数据的限制和计算复杂度，全波段(48kHz)语音信号的实时增强非常具有挑战性。由于高频部分的频谱信息能

路飞快来找我·2023-01-29 04:20

Coarse to Fine Multi-Resolution Temporal Convolutional Network

文章目录AbstractIntroductionMethodology模型结构Coarse-to-FineEnsemble(C2FEnsemble)Abstract目标：解决过度分割问题。方法：时间编码器-解码器来解决序列碎片问题。特点：解码器遵循具有多个时间分辨率的隐式集合，并且从粗到细。其他贡献：采用多分辨率增强策略以强化训练；设计了支持架构的损失函数。成果：在三个数据集上取得了最好的效果。I

右边是我女神·2023-01-29 04:19

TCN: TEMPORAL CONVOLUTIONAL NETWORKS

搬运自：RaushanRoy-TEMPORALCONVOLUTIONALNETWORKSLearningsequencesefficientlyandeffectivelyUntilrecentlythedefaultchoiceforsequencemodelingtaskwasRNNsbecauseoftheirgreatabilitytocapturetemporaldependencies

小卜妞~·2023-01-29 04:49

STS：Surround-view Temporal Stereo for Multi-view 3D Detection——论文笔记

参考代码：None1.概述介绍：这篇文章提出的方法是对LSS中深度估计部分进行改进，其改进的点是在深度估计部分引入立体匹配去估计周视相机下的深度信息，其中立体匹配使用前后视频帧进行构建（可以看作是时序信息的使用，只不过只有两帧信息）。此外，引入DORN中的深度采样策略（SID，Spacing-IncreasingDiscretization）使得近处的采样点不至于过度稀疏，为了弥补在无纹理下立体匹

m_buddy·2023-01-28 20:42

＜Learning Spatio-Temporal Transformer for Visual Tracking＞--阅读理解-cvpr2021

摘要在本文中，我们提出了一种新的跟踪架构，其中的编码器-解码器transformer为关键组件。编码器对目标对象和搜索区域之间的全局时空特征相关性进行建模，而解码器学习嵌入的查询以预测目标对象的空间位置。我们的方法将目标跟踪转换为直接边界框预测问题，而无需使用任何建议或预定义锚。使用编解码器变压器，对象的预测仅使用简单的全卷积网络，该网络可以直接估计对象的拐角。整个方法是端到端的，不需要任何余弦窗

听我的错不了·2023-01-25 22:04

ICCV2021 Learning Spatio-Temporal Transformer for Visual Tracking

ICCV2021LearningSpatio-TemporalTransformerforVisualTracking论文实现：学习用于视觉跟踪的时空转换器摘要在本文中，我们提出了一种以编码器-解码器转换器为关键组件的新跟踪架构。编码器对目标对象和搜索区域之间的全局时空特征依赖性进行建模，而解码器学习查询嵌入来预测目标对象的空间位置。我们的方法将对象跟踪作为一个直接的边界框预测问题，而不使用任何提

不会算法的数学小白·2023-01-25 22:02

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

推荐频道

Temporal