Temporal Convolutional Network
PulseAugur coverage of Temporal Convolutional Network — every cluster mentioning Temporal Convolutional Network across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新框架利用路径签名和 T-Mamba 增强在线签名验证
研究人员开发了一种新的在线签名验证框架，该框架结合了增强路径签名 (APS) 描述符和 T-Mamba 模型。APS 描述符通过在进行时间和基点增强后计算滑动窗口路径签名来捕获几何结构和非线性交互。T-Mamba 模型是一种混合设计，结合了时间卷积网络块和时间扫描 Mamba，能够学习局部时间模式和全局长距离依赖关系。这种集成方法在基准数据集上展示了最先进的性能，尤其是在训练数据有限的情况下。
-
AI模型以74%的准确率预测ICU器官功能障碍
研究人员开发了一种时序卷积网络（TCN），利用MIMIC-IV数据预测ICU患者未来器官功能障碍。该模型取得了0.740的R2分数和1.431的平均绝对误差（MAE），优于基线模型。分析表明，心血管功能障碍是预测严重程度和恶化的最重要因素，并且该模型识别出两种患者表型：一种正在改善，一种持续严重。
-
新研究推动机器人视觉惯性里程计发展
两篇新研究论文探讨了机器人视觉惯性里程计（VIO）的进展。第一篇论文介绍了一种极简方法，仅使用四个视觉传感器和一个惯性测量单元（IMU）来实现差速驱动机器人的鲁棒运动估计。第二篇论文提出了KLTNet，一种基于学习的稀疏特征跟踪器，旨在提高现有VIO系统的准确性和鲁棒性，尤其是在挑战性环境中。
-
NanoSleep：用于可穿戴设备睡眠分期分类的高效人工智能
研究人员开发了NanoSleep，这是一种紧凑型混合时域卷积网络，专为从单通道脑电图（EEG）数据进行高效睡眠分期分类而设计。该模型通过优化性能和大小，解决了在资源受限设备上部署准确深度学习模型的挑战。NanoSleep集成了多种组件，包括Sinc卷积层、双分支特征提取器和用于序列解码的条件随机场，同时利用加权校准焦点损失来处理类别不平衡。在Sleep-EDF和Sleep-EDF-Expanded数据集上的评估表明，NanoSleep…
-
深度学习模型通过轻量级检测增强H-IoT网络安全
研究人员开发了新的深度学习模型，即时间卷积网络（TCN）和残差时间卷积网络（Res-TCN），以增强医疗物联网（H-IoT）系统的网络安全。这些轻量级模型旨在通过利用真实数据集和基于动态阈值的缓解策略来检测和缓解分布式拒绝服务（DDoS）攻击等网络威胁。这些模型已针对边缘部署进行了优化，并转换为TensorFlow Lite（TFLite），在Raspberry Pi 4上展示了低延迟和高能效的运行，为H-IoT安全建立了全面的防御机制。
-
新的AI模型增强了从传感器数据重建手写轨迹的能力 · 跟踪到3个来源
研究人员开发了使用配备IMU传感器的数字笔重建手写轨迹的新方法。一种方法利用了混合专家（MOE）模型，其中有独立的专家分别处理触笔和悬停阶段，与现有方法相比显示出显著的改进。另一项研究探索了域适应技术，以解决成人和儿童手写信号之间的差异，旨在实现统一的特征表示。此外，一种经过动态时间规整（Dynamic Time Warping）预处理以进行信号对齐的时间卷积网络（TCN）架构，在定量和定性方面均显示出显著的提升。
-
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。