针对静态图像的递归神经网络

多维循环神经网络 (MDRNNs) 扩展了循环神经网络 (RNNs) 在视觉、视频处理和医疗影像等领域的应用。

MDRNNs 解决了其它多维模型所面临的缩放问题。

深度递归神经网络结合了多层表示与强大的 RNN 模型，在 TIMIT 语音识别基准测试中获得最佳记录得分 17.7%。

基于多模态循环神经网络 (m-RNN) 的模型实现了图像内容的生成式描述，表现优于现有方法。

循环卷积架构可以同时学习时间动态和卷积感知表示，具有学习长期依赖性的能力，实验结果显示其在识别或生成方面具有明显优势。

研究综述了近三十年来的重要循环神经网络模型，提供了前沿阐述和历史视角。

基于深度卷积神经网络和分层递归神经网络的图像分类模型在多个图像分类基准测试中取得了最先进的结果。

RNN-SPN 模型通过自适应降采样在 MNIST 序列分类中表现优于传统方法。

探讨了循环神经网络中 attention 机制在计算机视觉中的应用及其优越性。

Independently Recurrent Neural Network 在多种任务上表现优于传统的递归神经网络和长短时记忆网络。

使用循环神经网络作为卷积滤波器的卷积神经网络在自然语言处理任务中表现出色。