本文回顾了基于TCN的解决方案的最新创新。 首先介绍了运动检测的案例研究，简要评述了TCN体系结构及其相对于传统方法的优势，包括卷积神经网络(CNN )和递归神经网络(CNN )。 其次，介绍了TCN的应用，包括交通预测的改进、语音事件的定位与检测、概率预测等。
简要回顾TCN Lea等人(2016 )的开创性工作，首次提出了用于基于视频的行为分割的时间卷积网络(tns )。 该传统过程包括两个步骤：首先，利用编码“正常”时空信息的CNN来计算低级特征； 其次，使用“常规”RNN将这些低级特征输入到获得高级时间信息的分类器中。 该方法的主要缺点是需要两个独立的模型。 TCN提供了一种统一的方法来分层捕获所有两个级别的信息。
编码器-解码器框架可以如图1所示，最重要的问题是允许以下：TCN中接受任何长度的序列并将它输出为相同长度。 使用一维全卷积网络结构时使用因果卷积。 一个重要特征是，时刻t的输出仅与时刻t之前的要素进行卷积。
随着严等(2020 )最新发表的TCN应用于天气预报任务的研究成果，TCN甚至出现了关于TCN的讨论。 在他们的工作中，进行了TCN和LSTM的比较实验。 他们的结果之一是，在其他方法中，TCN在时间序列数据的预测任务中工作得很好。
改进交通预测拼车和在线导航服务可以改善交通预测，改变道路的生活方式。 更少的拥堵、更少的污染、安全和快速的驾驶是一些例子的基本问题，可以实现更好的交通预测。 这是实时数据驱动的问题，因此需要利用存储在未来流量中的数据。 为此，Dai等人(2020 )最近提出了混合时空图卷积网络(H-STGCN )。 一般的想法是利用区间-线-流-密度关系，将未来的交通量转换为其等价的旅行时间。 他们在这项工作中使用的体贴太阳镜的方法之一是折叠图形以捕捉空间依赖性。 复合邻接矩阵捕捉了流量近似的固有特征。 有关详细信息，请参阅Li，2017。 在下一个体系结构中，提出了四个模块来描述整个预测过程。
语音事件定位和检测语音事件定位和检测区域(SELD )继续增加。 了解环境在自主导航中起着重要的作用。 Guirguis等人(2020 )最近提出了一种新的声音事件SELD-TCN架构。 他们声称，他们的框架是这一领域最先进的，训练时间快。 在他们的SELDnet (结构如下)中，通过对44.1 kHz采样的多通道声音记录应用短时傅立叶变换来提取频谱的相位和幅度，并且将其作为单独的输入特征进行堆叠。 然后连接卷积块和循环块(双向GRUs )，连接全连通块。 SELDnet的输出是语音事件检测(SED )和到达方向(DOA )。
SELD-TCN:
扩展卷积允许网络处理各种输入，因此可能需要更深的网络(在反向传播过程中受到不稳定梯度的影响)。 他们通过采用wavenet(Darioetal .2017 )体系结构克服了这个挑战。 他们表示SELD任务不需要循环层，并成功检测到活动声音事件的开始和结束时间。
概率预测Chen et al.(2020设计的新格局可以用于概率密度的估计。 时间序列预测改善了许多业务决策方案，包括资源管理。 概率预测可以从历史数据中提取信息，将将来事件的不确定性抑制在最小限度。 如果预测任务与零售业一样，是预测数百万个相关数据系列，则估计参数需要巨大的人力和计算资源。 为了解决这些课题，他们提出了基于cnn的密度估计和预测框架。 他们的框架可以知道序列之间的潜在关联性。 他们工作的新奇之处在于他们提出的深层TCN，就像在他们的框架中出现的：
编码器-解码器模块解决方案有助于设计实际的大型APP应用程序。
本文介绍了包括时间卷积网络在内的近期工作，比经典的CNN和RNN方法更好地完成时序任务。
文献Lea，Colin，et al .“temporalconvolutionalnetworks 3360 aunifiedapproachtoactionsegmentation .”europeanconferenceonceoncomputioration
Lea，Colin，et al .“temporalconvolutionalnetworksforactionsegmentationanddetection .”proceedingsoftheieeeconferencerenceonceonceceonceonconconconcomponcorpppondetion
Yan，Jining，et al." temporalconvolutionalnetworksfortheadvancepredictionofenso." scientific reports 10.1 (2020 ) 3360652-1
Li，ya光，et al .“diffusionconvolutionalrecurrentneuralnetwork : data-driventrafficforecasting .”arxivpreprintaratarxication
Rethage，Dario，Jordi Pons，andxavierserra .“awavenetforspeechdenoising .”2018 ieeinternationalconferenceonacoustics，SSS
Chen，Yitian，et al .“probabilisticforecastingwithtemporalconvolutionalneuralnetwork .”neuro computing (2020 )。
Guirguis，Karim，et al .“seld-TCN : soundeventlocalizationdetectionviatemporalconvolutionalnetworks .”arxivpreprintaratal
作者： Barak Or
deephub翻译组