Detail publikace

Residual Memory Networks: Feed-forward approach to learn long-term temporal dependencies

BASKAR, M.; KARAFIÁT, M.; BURGET, L.; VESELÝ, K.; GRÉZL, F.; ČERNOCKÝ, J. Residual Memory Networks: Feed-forward approach to learn long-term temporal dependencies. In Proceedings of ICASSP 2017. New Orleans: IEEE Signal Processing Society, 2017. p. 4810-4814. ISBN: 978-1-5090-4117-6.
Název česky
Residuální paměťové sítě: nerekurentní přístup k učení dlouhých časových závislostí
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Baskar Murali Karthick, Ing., Ph.D.
Karafiát Martin, Ing., Ph.D. (UPGM)
Burget Lukáš, doc. Ing., Ph.D. (UPGM)
Veselý Karel, Ing., Ph.D. (UPGM)
Grézl František, Ing., Ph.D. (UPGM)
Černocký Jan, prof. Dr. Ing. (UPGM)
URL
Klíčová slova

Automatic speech recognition, LSTM, RNN, Residual memory networks.

Abstrakt

Tento článek pojednává o residuální paměťové síti: týká se nerekurentního přístupu k učení dlouhých časových závislostí.

Rok
2017
Strany
4810–4814
Sborník
Proceedings of ICASSP 2017
Konference
42nd IEEE International Conference on Acoustics, Speech and Signal Processing, New Orleans, USA, US
ISBN
978-1-5090-4117-6
Vydavatel
IEEE Signal Processing Society
Místo
New Orleans
DOI
10.1109/ICASSP.2017.7953070
UT WoS
000414286204194
EID Scopus
2-s2.0-85023739371
BibTeX 
@inproceedings{BUT144448,
  author="Murali Karthick {Baskar} and Martin {Karafiát} and Lukáš {Burget} and Karel {Veselý} and František {Grézl} and Jan {Černocký}",
  title="Residual Memory Networks: Feed-forward approach to learn long-term temporal dependencies",
  booktitle="Proceedings of ICASSP 2017",
  year="2017",
  pages="4810--4814",
  publisher="IEEE Signal Processing Society",
  address="New Orleans",
  doi="10.1109/ICASSP.2017.7953070",
  isbn="978-1-5090-4117-6",
  url="https://www.fit.vut.cz/research/publication/11467/"
}
Nahoru