文章目录1概述1.1题目1.2摘要1.3代码1.4Bib2方法2.1总览2.2空间自编码2.3动作自编码器2.4方差注意力模块2.5聚类2.6训练优化目标2.7异常得分1概述1.1题目2022：时空分离视频异常检测(Videoanomalydetectionwithspatio-temporaldissociation)1.2摘要由于异常的模糊定义和来自真实视频数据的视觉场景的复杂性，视频中的异常检测仍然是一项具有挑战性的任务。与之前利用重建或预测作为辅助任务来学习时间规律性的工作不同，本工作探索了一种新颖的卷积自编码器架构，该架构可以分离时空表示以分别捕获空间和时间信息，动机则是异常事件通常

ECharts数据集（dataset）ECharts使用dataset管理数据。dataset组件用于单独的数据集声明，从而数据可以单独管理，被多个组件复用，并且可以基于数据指定数据到视觉的映射。下面是一个最简单的dataset的例子：实例option={  legend:{},  tooltip:{},  dataset:{    //提供一份数据。    source:[      ['product','2015','2016','2017'],      ['MatchaLatte',43.3,85.8,93.7],      ['MilkTea',83.1,73.4,55.1],  

ECharts数据集（dataset）ECharts使用dataset管理数据。dataset组件用于单独的数据集声明，从而数据可以单独管理，被多个组件复用，并且可以基于数据指定数据到视觉的映射。下面是一个最简单的dataset的例子：实例option={  legend:{},  tooltip:{},  dataset:{    //提供一份数据。    source:[      ['product','2015','2016','2017'],      ['MatchaLatte',43.3,85.8,93.7],      ['MilkTea',83.1,73.4,55.1],  

函数原型datasets.load_dataset( path:str,name:Optional[str]=None,data_dir:Optional[str]=None,data_files:Optional[Union[str,Sequence[str],Mapping[str,Union[str,Sequence[str]]]]]=None,split:Optional[Union[str,Split]]=None,cache_dir:Optional[str]=None,features:Optional[Features]=None,download_config:Optiona

函数原型datasets.load_dataset( path:str,name:Optional[str]=None,data_dir:Optional[str]=None,data_files:Optional[Union[str,Sequence[str],Mapping[str,Union[str,Sequence[str]]]]]=None,split:Optional[Union[str,Split]]=None,cache_dir:Optional[str]=None,features:Optional[Features]=None,download_config:Optiona

《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读​ 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。​ 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景​ 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编

《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读​ 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。​ 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景​ 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编

《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读​ 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。​ 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景​ 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编

《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读​ 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。​ 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景​ 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编

在深度学习中训练模型都是小批量小批量地优化训练的，即每次都会从原数据集中取出一小批量进行训练，完成一次权重更新后，再从原数据集中取下一个小批量数据，然后再训练再更新。另外，原数据集往往很大，不可能一次性的全部载入模型，只能一小批一小批地载入。训练完了就扔了，再加载下一小批。准备数据importpandasaspdimportnumpyasnpdata=np.random.rand(128,3)#128x3data=pd.DataFrame(data,columns=['feature_1','feature_2','label'])Dataset和Dataloader使用模板classMyDa