Temporal Convolutional Network
PulseAugur coverage of Temporal Convolutional Network — every cluster mentioning Temporal Convolutional Network across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架使用自监督学习进行早期脓毒症预测
研究人员开发了一种使用自监督学习技术预测脓毒症的新框架，特别是联合嵌入预测架构（JEPA）和方差-不变-协方差正则化（VICReg）。这些方法应用于来自 MIMIC-III 数据库的电子健康记录，旨在克服不规则数据采样和高缺失率等挑战。JEPA 方法结合 XGBoost，在发病时间实现了 0.636 的有竞争力的精确率-召回率曲线下面积（AUPRC），而 VICReg 预训练编码器则展示了时间上持久的表示，在不同预测范围内的鲁棒性方面…
-
车载数字孪生框架检测女巫攻击，提升碰撞预警
研究人员开发了一种新的联网汽车碰撞预警框架，该框架集成了数字孪生（DT）和女巫攻击检测。该框架利用时间卷积网络（TCN）和分层可导航小世界（HNSW）算法来识别恶意的虚假车辆。现场实验证明了女巫攻击检测的高准确性，并显著降低了近碰撞指标，同时满足了安全应用的时延要求。
-
新的传感器融合框架增强了机器人交互
研究人员开发了一个新的触觉-本体感觉传感器融合框架，以增强物理人机交互。该方法结合了来自气动皮肤垫的触觉数据和基于电机电流的本体感觉，以准确估计机器人上的多轴接触力。利用时间卷积网络（TCN）来管理摩擦滞后，确保运动过程中机器人引导的平稳性和响应性。该系统已在集成皮肤的机器人手臂上得到验证，与仅依赖触觉或本体感觉数据的系统相比，显示出更高的灵敏度和响应性。
-
极简VIO系统使用光电二极管进行机器人导航
研究人员开发了一种用于差速驱动机器人的极简视觉惯性里程计（VIO）方法，仅使用四个视觉测量和一个IMU即可进行鲁棒的运动估计。该系统采用带有光学Gabor掩码的向下摄像头光电二极管来捕获编码速度的信号，然后由时间卷积网络（TCN）处理。优化后的模型从这些极简输入中解码速度，并与IMU数据结合，生成连续的平面轨迹。该系统在原型机器人在各种室内外地形上进行了测试，证明了在没有实际微调的情况下也能进行精确跟踪，突显了极简传感在里程计方面的效率。
-
极简VIO系统使用光电二极管进行机器人导航
研究人员为差速驱动机器人开发了一种极简视觉惯性里程计系统，该系统仅使用四个光电二极管和一个IMU。通过采用光学Gabor掩模和时间卷积网络（TCN）来编码速度信息，该方法绕过了对资源密集型摄像头的需求。该系统已在原型机器人上得到验证，在各种室内外地形上实现了精确的平面运动估计，且无需进行实际微调。
-
Google AI 利用智能手表进行高级步态分析
Google AI 研究人员开发了一种深度学习模型，能够利用智能手表的数据准确估算高级行走指标。该模型基于时间卷积网络（TCN）架构构建，直接预测步速、步长和双支撑时间等时空步态指标。一项涉及 246 名参与者的大规模验证研究表明，智能手表是进行连续步态分析的可靠且实用的平台，其效果与基于智能手机的方法相当，但更方便。