卷积 RNN：一种从序列数据中提取特征的增强模型
机器学习
2017-07-21 v3 计算与语言
摘要
传统的卷积层通过对输入的仿射函数施加非线性来从数据块中提取特征。我们提出一种模型，针对序列数据的情况增强该特征提取过程：将数据块输入循环神经网络，并利用循环单元的输出或隐藏状态来计算提取的特征。通过这样做，我们利用了如下事实，即包含序列数据若干帧的窗口本身是一个序列，这种附加结构可能封装有价值的信息。此外，我们允许在特征提取过程中进行更多计算步骤，这可能是有益的，因为仿射函数后接非线性可能导致过于简单的特征。使用我们的卷积循环层，在两个音频分类任务中相较于传统卷积层获得了性能提升。卷积循环层的 Tensorflow 代码公开于 https://github.com/cruvadom/Convolutional-RNN。
引用
@article{arxiv.1602.05875,
title = {Convolutional RNN: an Enhanced Model for Extracting Features from Sequential Data},
author = {Gil Keren and Björn Schuller},
journal= {arXiv preprint arXiv:1602.05875},
year = {2017}
}