Videos de Experimentos Relacionados
Modelo residual temporal-espacial jerárquico implícito para la predicción de vídeo a largo plazo
Guiqin Wang1, Peng Zhao1, Haoran Guo1
1School of Computer Science and Technology, Xi'an Jiaotong University, Xi'an, Shaanxi, 710049, China; National Engineering Laboratory for Big Data Analytics, Xi'an Jiaotong University, Xi'an, Shaanxi, 710049, China.
Resumen
Predecir futuros fotogramas de video es difícil debido a los errores que crecen con el tiempo. Este estudio introduce un modelo jerárquico temporal-espacial residual para mejorar la predicción de vídeo a largo plazo mediante la captura de distribuciones de datos residuales.
Área de la Ciencia:
- Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
- Aprendizaje automático Aprendizaje automático.
- La inteligencia artificial es la inteligencia artificial.
Sus antecedentes:
- La predicción de video a largo plazo se ve obstaculizada por las ambigüedades de la predicción y la amplificación de errores.
- Los métodos existentes luchan con representaciones jerárquicas espacio-temporales y distribuciones espaciales variables.
- El modelado espacial jerárquico es prometedor en el análisis espacial de vídeo.
Objetivo del estudio:
- Proponer un nuevo modelo jerárquico temporal-espacial residual para mejorar la predicción de vídeo a largo plazo.
- Para mejorar la representación de las características estocásticas en vídeos mediante la captura de distribuciones residuales.
- Para mejorar la generalización a través de diversas distribuciones espaciales en los datos de vídeo.
Principales métodos:
- Desarrolló un modelo residual temporal-espacial jerárquico.
- Utilizó un modelo generativo residual jerárquico para mejorar el espacio de estado latente para la captura de características espaciales.
- Modelado explícitamente la naturaleza residual de los datos y alineado posterior aproximada con anterioridad.
Principales resultados:
- El modelo propuesto aumenta significativamente el rendimiento en tareas de predicción de video a largo plazo.
- Logró un rendimiento superior en comparación con los enfoques basados en modelos temporales y en redes neuronales convolucionales en tres conjuntos de datos.
- Demostró una mejor generalización a través de diversas distribuciones espaciales.
Conclusiones:
- El modelo jerárquico temporal-espacial residual aborda eficazmente los desafíos en la predicción de vídeo a largo plazo.
- El método proporciona una representación más rica de las características estocásticas de vídeo y mejora la generalización espacial.
- El código de acceso público facilita la investigación adicional en la predicción de vídeo implícito.
