2025年还在用LSTM的也是神人了……

主要观点总结

本文主要探讨了LSTM在多个领域的应用及创新点，包括CVPR、AAAI、ACL等期刊发表的论文内容。文章还介绍了基于LSTM的新计算机视觉架构ViL、基于LSTM-Transformer神经网络的时间序列预测模型在矿山涌水量预测中的应用，以及锂离子电池荷电状态估计的LSTM-RNN和自适应扩展卡尔曼滤波器在线估计算法。此外，还有VMRNN模型在时空预测任务中的应用和轴承故障诊断的新方法等。

关键观点总结

关键观点1: LSTM在各种期刊上的论文表现

包括CVPR、AAAI、ACL等期刊都有LSTM相关的论文发表，涉及领域包括医学、工业、金融等，并且取得了显著的效果。

关键观点2: 基于LSTM的新计算机视觉架构ViL介绍

介绍了一种新的计算机视觉架构ViL，它是基于扩展的长短期记忆网络构建的，能有效处理非序列化的图像输入，并在图像分类、迁移学习和分割任务上表现出色。

关键观点3: LSTM-Transformer神经网络在矿山涌水量预测中的应用

提出了一种基于LSTM-Transformer神经网络的时间序列预测模型，用于预测矿山涌水量。该模型结合了Transformer的自注意力机制和LSTM捕捉长期依赖性的能力，以提高预测精度。

关键观点4: 锂离子电池荷电状态估计的联合算法介绍

提出了一种联合长短期记忆循环神经网络（LSTM-RNN）和自适应扩展卡尔曼滤波器（AEKF）的在线估计算法，用于锂离子电池荷电状态估计。

关键观点5: VMRNN模型在时空预测任务中的应用

介绍了一种新型时空预测模型VMRNN，该模型结合了Vision Mamba模块和LSTM架构，用于高效且准确的时空预测任务。

关键观点6: 基于深度学习的棋手等级分估计方法

提出了一种基于深度学习的方法，直接从国际象棋的棋局走法和用时数据中估计棋手的等级分，该方法结合了卷积神经网络（CNN）和双向长短期记忆网络（LSTM）。

关键观点7: 轴承故障诊断的新方法

提出了一种结合图注意力网络（GAT）和长短期记忆网络（LSTM）的新方法，用于轴承故障诊断。该方法通过将时间序列传感器数据转换为图表示，利用GAT和LSTM提高检测准确性。