Oct, 2017

卷积循环神经网络多声源到达方向估计

PDF
TL;DR本文提出了一种深度神经网络，用于估算多个声源的到达方向，并通过使用所有通道的频谱图的幅度和相位作为输入来避免任何显式特征提取步骤。结论表明，该网络能够以高精度估算多个同时存在源的数量和各自的到达方向，并生成具有高信噪比的空间伪频谱。
发现论文，激发创造
  • 利用卷积神经网络和噪声信号训练进行宽带 DOA 估计

    采用卷积神经网络（CNN）的分类方法进行宽带 DOA 估计，其中利用接收到的麦克风信号的短时傅里叶变换系数的相位部分直接输入 CNN，并在训练期间学习 DOA 估计所需的特征。

    May, 2017

  • 利用 SRP-PHAT 和 3D 卷积神经网络实现的鲁棒声源跟踪

    本文基于 SRP-PHAT 算法和三维卷积神经网络，提出了一种基于单声源的 DOA 估计和跟踪系统，具有较好的实时性和对高混响环境的鲁棒性。

    Jun, 2020

  • 使用卷积循环神经网络进行声音事件定位和重叠源检测

    本研究提出了一种卷积循环神经网络，用于在三维空间中联合定位和检测多个重叠声音事件。该方法能够有效地估计声音事件的位置和检测每个时间帧中所有声音事件类的活动，并且避免了特征提取方面的任何限制。

    Jun, 2018

  • DeepMUSIC: 深度学习的多信号分类

    该论文提出了一个用于方位角估计的深度学习框架，称为 DeepMUSIC，该框架使用多个卷积神经网络来学习角度子区域的 MUSIC 谱，并显示出比 DL 和非 DL 技术更高的精度和更少的计算复杂度。

    Dec, 2019

  • 深度学习辅助下的鲁棒稀疏阵列雷达

    本文针对稀疏阵列感测器失效问题，在神经网络和数据驱动方法中使用两种机器学习方法以提高 MRA 的性能，实验结果表明两种方法均可显著改善阵列的性能。

    Jun, 2023

  • 稀疏方法在到达方向估计中的应用

    本文主要讲述了方向估计（DOA）技术的研究进展以及基于稀疏表示和压缩感知的新方法在 DOA 估计中的应用，特别是无网格方法的研究现状和未来的研究方向。

    Sep, 2016

  • 基于深度神经网络的一阶环绕声领域空间增强用于到达方向估计

    该论文提出了一种新的神经网络数据增强方法，用于 Direction of Arrival（DOA）估计，并且通过两个实验表明，该方法可以大大提高 DOA 估计的精度。

    Oct, 2019

  • 深度神经网络用于多说话者检测和定位

    本文提出了一种使用神经网络在人机交互中同时检测和定位多个声源的方法，并采用基于概率的编码以实现对任意数量声源的检测；此外，文章探讨了基于子带交叉相关信息的特征及三种不同基于不同动机的网络架构，实验表明该方法优于传统的空间谱法。

    Nov, 2017

  • 通过模拟大型天线阵列实现 MIMO 雷达系统中的 DOA 估计的深度学习

    本文提出了一种基于 MUSIC 算法的方向估计策略，利用小型天线阵列通过深度学习来重构虚拟大型天线阵列信号。该策略不仅比直接将进入信号插入 MUSIC 的性能显着提高，而且在高角度范围和低测试 SNR 值时，性能也比直接使用实际的大型天线阵列与 MUSIC 更好。我们进一步分析了训练 SNR 作为测试 SNR 函数的最佳选择，并观察到不同角度范围下该函数行为的显著变化。

    Jul, 2020

  • 基于深度学习的端到端声学定位：从音频信号到源位置坐标

    本文提出了一种新颖的室内声源定位方法，使用麦克风阵列并基于卷积神经网络（CNN）进行，该方法采用原始音频信号作为输入信息直接估计声源的三维位置，避免了手工制作音频特征。通过使用半合成数据作为训练策略并在实际数据上进行微调，该方法能够显著改善基于 ${SRP-PHAT}$ 策略的现有定位方法，并且展现出更好的对抗不同说话者性别和不同窗口大小的性能。

    Jul, 2018