- Алгоритм субтитров к изображениям на основе гибридного метода глубокого обучения (CNN+GRU)(arXiv)
Автор:: Рана Аднан Ахмад, Мухаммад Азхар, Хина Саттар
Аннотация .Подпись изображений с помощью структуры кодировщик-декодер продемонстрировала огромный прогресс за последнее десятилетие, когда CNN в основном используется в качестве кодировщика, а LSTM - в качестве декодера. Несмотря на такое впечатляющее достижение с точки зрения точности простых изображений, ему не хватает эффективности с точки зрения временной сложности и пространственной сложности. В дополнение к этому, в случае сложных изображений с большим количеством информации и объектов, производительность этой пары CNN-LSTM снижалась в геометрической прогрессии из-за отсутствия семантического понимания сцен, представленных на изображениях. Таким образом, чтобы принять во внимание эти проблемы, мы представляем инфраструктуру декодирования кодировщика CNN-GRU для реконструктора подписи к изображению, чтобы учитывать семантический контекст, а также временную сложность. Принимая во внимание скрытые состояния декодера, входное изображение и его аналогичные семантические представления реконструируются, а оценки реконструкции из семантического реконструктора используются вместе с правдоподобием во время обучения модели для оценки качества сгенерированного заголовка. В результате декодер получает улучшенную семантическую информацию, улучшая процесс создания титров. Во время тестирования модели также возможно объединить оценку реконструкции и логарифмическую вероятность для выбора наиболее подходящего заголовка. Предлагаемая модель превосходит современную модель LSTM-A5 для подписи к изображениям с точки зрения временной сложности и точности.
2. Краткосрочное прогнозирование потребления электроэнергии домохозяйствами с использованием настраиваемых моделей LSTM и GRUModels(arXiv)
Автор:Саад Эмшагин, Вайес Корони Халим, Раша Кашеф
Аннотация:по мере развития энергосистем, поскольку они становятся все более интеллектуальными и интерактивными системами, а гибкость увеличивается благодаря более широкому распространению возобновляемых источников энергии, прогнозирование спроса на краткосрочное разрешение неизбежно станет более и более имеет решающее значение при проектировании и управлении будущей сетью, особенно когда речь идет об уровне отдельных домохозяйств. Прогнозирование спроса на электроэнергию для одного потребителя энергии, в отличие от совокупного энергопотребления жилой нагрузки в широком масштабе, затруднено из-за значительного количества изменчивых и неопределен- ных факторов. В этой статье предлагается индивидуальная архитектура GRU (Gated Recurrent Unit) и долговременной кратковременной памяти (LSTM) для решения этой сложной проблемы. LSTM и GRU являются сравнительно новыми и одними из наиболее популярных подходов к глубокому обучению. Наборы данных о потреблении электроэнергии были получены с индивидуальных бытовых интеллектуальных счетчиков. Сравнение показывает, что модель LSTM лучше работает для прогнозирования на домашнем уровне, чем альтернативные методы прогнозирования — GRU в этом случае. Чтобы сравнить модели на основе NN с моделью, основанной на обычных статистических методах, модель на основе ARIMA также была разработана и протестирована с результатами моделей LSTM и GRU в этом исследовании, чтобы показать эффективность предложенной модели на собранных данных временных рядов.
