Convolutional Lstm
PulseAugur coverage of Convolutional Lstm — every cluster mentioning Convolutional Lstm across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
物理引导的机器学习提高了燃料密度预测的准确性
研究人员开发了一个物理引导的机器学习（PGML）框架，以提高燃料密度预测的准确性和稳定性。该方法将物理约束（如质量守恒和蔓延速率估计）整合到深度学习模型中。研究探索了三种架构：ConvLSTM、AFNONet和ViViT，证明PGML框架的性能明显优于纯数据驱动的方法。这一进展为处方烧毁管理提供了更有效、更符合物理规律的火灾预测。
-
深度神经网络利用高分辨率卫星数据提升城市温度预测能力
研究人员开发了深度神经网络模型，以提高城市地表温度的分辨率和预测能力。通过结合来自地球同步卫星和极轨卫星的数据，他们创建了能够提供每15分钟、1公里分辨率温度数据的模型。一个U-Net模型被训练用于将低分辨率卫星数据映射到高分辨率数据，实现了1.92°C的均方根误差（RMSE）。随后使用一个ConvLSTM模型进行临近预报，在15至75分钟的预报时效内，其RMSE在0.57°C至1.15°C之间，优于基线模型。
-
ConvLSTM框架准确预测挡土墙变形
研究人员开发并验证了一个ConvLSTM框架，用于预测分阶段开挖过程中的挡土墙变形。该框架在经过高斯噪声增强的模拟数据上进行训练，通过堆叠集成整合了多个时间分辨率。来自韩国11个开挖现场34个测斜仪的现场数据显示了该框架的有效性，在预测开挖深度达5.0米时的变形方面，平均绝对误差为1.4毫米，决定系数为0.93。
-
机器学习模型利用CFD数据预测反应堆流场
研究人员开发了一个结合计算流体动力学（CFD）和机器学习的高保真建模框架，用于表征压水堆中的流场。该方法使用物理信息数据集来训练机器学习模型，以重建缺失的流速数据并预测未来的流动模式。由于能够捕捉复杂时空动力学，像ConvLSTM这样的空间感知架构比基于序列或算子学习的模型更有效。
-
AI集成模型改进挡土墙变形预测
研究人员开发了一种新颖的集成框架，使用卷积长短期记忆（ConvLSTM）网络来改进挡土墙变形的长期预测。这种多分辨率方法集成了在不同时间输入尺度上训练的模型，有效缓解了误差累积。针对模拟数据和真实世界数据的验证证实，该集成模型在多步预测方面始终优于单个ConvLSTM模型，尤其是在提高稳定性和准确性方面，凸显了其在岩土工程AI预测中的优势。
-
新AI模型使用4D雷达进行可靠的人员检测
研究人员开发了一种名为TMVA4D的新型人工神经网络架构，用于使用4D雷达数据进行语义分割。该系统旨在提高自动驾驶汽车和机器人检测人员的可靠性，特别是在传统传感器（如摄像头和激光雷达）可能失效的严峻环境条件下。TMVA4D模型利用CNN和ConvLSTM编码器处理包括多普勒速度在内的4D雷达点云，并在区分人员与背景噪声方面显示出有希望的结果，即使在低能见度场景下也是如此。
-
卷积长短期记忆网络为费米望远镜探测伽马射线瞬态现象
研究人员开发了一种自监督卷积长短期记忆（ConvLSTM）网络，利用费米大型空间望远镜（Fermi Large Area Telescope）的数据来探测瞬态伽马射线现象。该框架将费米-LAT天空的端到端模拟与深度学习相结合，以识别与预期天空行为的偏差。这种方法旨在标记可能指示可变源或瞬态天体物理事件的局部、随时间变化的过量信号。
-
深度神经网络提升城市地表温度数据分辨率
研究人员开发了深度神经网络，以提高城市地区地表温度（LST）数据的分辨率。通过结合静止和极轨卫星的数据，他们创建了分辨率为1公里、时间间隔为15分钟的LST场。使用U-Net模型将SEVIRI/MSG数据降尺度至MODIS分辨率，实现了1.92°C的均方根误差（RMSE）。此外，还使用ConvLSTM模型对LST进行长达75分钟的临近预报，其性能优于基准模型，RMSE在0.57°C至1.15°C之间。