实体
Crossformer
Crossformer
PulseAugur coverage of Crossformer — every cluster mentioning Crossformer across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
SEER框架处理噪声、缺失和偏移的时间序列数据
研究人员推出SEER，一个基于Transformer的框架，旨在增强时间序列预测的鲁棒性。SEER通过采用自动化的补丁增强和替换策略，解决了噪声、异常、缺失值和分布偏移等常见数据质量问题。这种方法允许对各种低质量时间序列数据进行统一建模，旨在提高在数据不完美现实工业应用中的预测准确性和稳定性。
-
视觉导航模型在真实世界测试中频繁碰撞且鲁棒性差
一项新的研究论文在真实世界场景中评估了五种最先进的视觉导航模型（VNMs），揭示了它们在简单成功率之外的显著局限性。由Maeva Guerrier及其同事进行的研究发现，GNM、ViNT、NoMaD、NaviBridger和CrossFormer等模型频繁与物体碰撞，表明它们缺乏几何理解能力。此外，这些模型难以区分感知上相似的位置，并且在运动模糊或日照等环境变化下性能会下降。研究人员计划发布他们的评估代码库和数据集，以促进可复现的基准测试。
-
研究人员使用 Transformer 从交互数据生成反应式人类运动
研究人员开发了基于 Transformer 的模型来生成交互场景中的人类运动，重点关注一个人的运动如何影响另一个人的运动。他们从拳击视频中创建了一个数据集，用于训练和比较简单的 Transformer、iTransformer 和 Crossformer 等模型。研究发现，一个基本的 Transformer 模型，通过添加 ID 嵌入，有效地生成了合理且具有交互意识的运动，而没有姿势崩溃，其性能优于累积错误的更复杂架构。