論文の概要: MoDeRNN: Towards Fine-grained Motion Details for Spatiotemporal Predictive Learning

• arxiv url: http://arxiv.org/abs/2110.12978v1
• Date: Mon, 25 Oct 2021 14:12:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 20:05:57.439042
• Title: MoDeRNN: Towards Fine-grained Motion Details for Spatiotemporal Predictive Learning
• Title（参考訳）: MoDeRNN:時空間予測学習のための微粒な運動詳細を目指して
• Authors: Zenghao Chai, Zhengzhuo Xu, Chun Yuan
• Abstract要約: 本稿では,従来の状況と現在の状況との対応性を高めることにより,予測品質の向上に着目する。 詳細コンテキストブロック (DCB) を用いて細かな詳細を抽出し, 上位コンテキスト状態と現在の入力状態の相関性を改善する。 MoDeNNは既存の最先端技術よりも質的にも定量的にも低い負荷で優れている。
• 参考スコア（独自算出の注目度）: 17.733087434470907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal predictive learning (ST-PL) aims at predicting the subsequent frames via limited observed sequences, and it has broad applications in the real world. However, learning representative spatiotemporal features for prediction is challenging. Moreover, chaotic uncertainty among consecutive frames exacerbates the difficulty in long-term prediction. This paper concentrates on improving prediction quality by enhancing the correspondence between the previous context and the current state. We carefully design Detail Context Block (DCB) to extract fine-grained details and improves the isolated correlation between upper context state and current input state. We integrate DCB with standard ConvLSTM and introduce Motion Details RNN (MoDeRNN) to capture fine-grained spatiotemporal features and improves the expression of latent states of RNNs to achieve significant quality. Experiments on Moving MNIST and Typhoon datasets demonstrate the effectiveness of the proposed method. MoDeRNN outperforms existing state-of-the-art techniques qualitatively and quantitatively with lower computation loads.
• Abstract（参考訳）: 時空間予測学習(ST-PL)は、観測された限られたシーケンスを通してその後のフレームを予測することを目的としており、現実世界に広く応用されている。 しかし,予測のための時空間的特徴の学習は困難である。 さらに,連続フレーム間のカオス不確実性は,長期予測の困難を増す。 本稿では,従来の状況と現在の状況との対応性を高めることにより,予測品質の向上に着目する。 詳細コンテキストブロック(dcb)を慎重に設計し,詳細情報を抽出し,上位コンテキスト状態と現在の入力状態との分離相関性を改善する。 我々は、DCBを標準のConvLSTMと統合し、運動詳細RNN(MoDeRNN)を導入し、微細な時空間的特徴を捉え、RNNの潜時状態の表現を改善し、大幅な品質を実現する。 MNISTとTyphoonデータセットの移動実験により,提案手法の有効性が示された。 modernnは、より低い計算負荷で、質的かつ定量的に既存の最先端技術を上回る。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• Temporal Contrastive Learning for Spiking Neural Networks [23.963069990569714]
  生物学的にインスパイアされたニューラルネットワーク(SNN)は、低エネルギー消費と時間的情報処理能力のためにかなりの注目を集めている。 本稿では、時間領域情報にコントラスト的監督を組み込むことにより、低レイテンシで高性能なSNNを得る新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T10:31:46Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
  自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。 運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。 提案手法は,既存手法の予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T14:59:48Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Ultra-low Latency Spiking Neural Networks with Spatio-Temporal Compression and Synaptic Convolutional Block [4.081968050250324]
  スパイキングニューラルネットワーク(SNN)は、神経時間情報能力、低処理機能、高い生物学的妥当性を有する。 Neuro-MNIST、CIFAR10-S、DVS128ジェスチャデータセットは、個々のイベントをフレームに集約し、イベントストリーム分類の時間分解能を高める必要がある。 本研究では,NIST電流の時間ステップに個々のイベントを集約し,トレーニングや推論の遅延を低減する処理時間圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-03-18T15:14:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。