相关实验视频
用于长期视频预测的隐含层次的时间空间残余模型
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.
概括
预测未来的视频很难,因为随着时间的推移,错误会越来越大. 本研究引入了一个层次的时间空间残余模型,通过捕获残余数据分布来改善长期视频预测.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 长期视频预测受到预测模两可和错误放大的阻碍.
- 现有的方法与层次的时空表示和不同的空间分布作斗争.
- 层次空间建模在视频空间分析中显示出前景.
研究的目的:
- 为增强长期视频预测提出一种新的层次时间空间残余模型.
- 通过捕捉剩余分布来改善视频中随机特征的表示.
- 在视频数据中的多样空间分布中增强泛化.
主要方法:
- 开发了一种层次的时空空间残余模型.
- 利用一个层次的剩余生成模型来改善隐藏状态空间的空间特征捕获.
- 显式建模了数据的残余性质,并将近似后部与前置对齐.
主要成果:
- 拟议的模型显著提高了长期视频预测任务的性能.
- 与基于时间模型和基于卷积神经网络的方法相比,在三个数据集上取得了优异的性能.
- 在各种空间分布中证明了改进的概括性.
结论:
- 层次时间空间残余模型有效地解决了长期视频预测方面的挑战.
- 该方法提供了更丰富的随机视频特征表示,并增强了空间概括.
- 公开可用的代码有助于进一步研究隐性视频预测.
