NIPSNov, 2018

基于 SincNet 的可解释卷积滤波器

PDF
TL;DR本研究提出了一种新的卷积神经网络模型 ——SincNet，该模型可用于直接处理从原始波形中提取的语音，通过使用参数化 sinc 函数，鼓励第一层学习更有意义的滤波器，学习带通滤波器的低高截止频率可以从数据中直接进行，该模型比标准 CNN 模型具有更快的收敛速度，更好的性能和更好的可解释性，这在说话人识别和语音识别方面得到了很好的实验验证。
deep learninginterpretable neural modelspeech processingconvolutional neural networksincnet
发现论文，激发创造
  • 使用 SincNet 从原始波形中进行说话人识别

    本文介绍了一种新的卷积神经网络架构，称为 SincNet，它使用基于参数化的 sinc 函数实现带通滤波器，以从原始的语音样本中学习低级别的语音表征，以更好地捕捉重要的窄带说话人特征，实验表明，该网络架构比标准的 CNN 在原始波形上更快地收敛并且表现更好。

    Jul, 2018

  • 可解释性卷积神经网络

    本文提出了一种方法，将传统的 CNN 转换为可解释的 CNN，以澄清 CNN 高卷积层中的知识表示。在可解释的 CNN 中，高卷积层中的每个滤波器表示某个物体部分，无需任何部件或纹理的注释就可以在学习过程中自动分配。实验表明，可解释的 CNN 中的滤波器比传统 CNN 中的滤波器更具有语义意义。

    Oct, 2017

  • 朝着端到端可解释的卷积神经网络发展音波信号

    用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。

    May, 2024

  • 可解释的组合卷积神经网络

    通过修改传统卷积神经网络，将其转化为可解释的组合卷积神经网络，以学习中间卷积层中编码有意义的视觉模式的滤波器，从而实现语义可解释的 AI，该方法可以广泛应用于不同类型的 CNN，并且实验效果良好。

    Jul, 2021

  • 通过对特定类别过滤器微分训练可解释的卷积神经网络

    本文主要介绍了一个用于训练卷积神经网络的新策略，通过向网络中添加可学习的稀疏 Class-Specific Gate 结构，以鼓励针对每个类别的滤波器，从而减轻 “黑盒” 问题和滤波器 - 类别缠结问题；通过在对象定位和对抗样本检测等应用中的实验证明，该方法比标准训练策略更加优异。

    Jul, 2020

  • 噪声抑制卷积神经网络的信号处理解释

    这篇文章通过将信号处理的基本原理与深度学习领域相连接，在统一的理论框架下，建立了对深度卷积框图的直观理解，解释了多样的编码 - 解码卷积神经网络架构，并提供了设计稳健高效的新颖卷积神经网络架构的重要指导。

    Jul, 2023

  • 走向完全可解释的深度神经网络：我们已经到达了吗？

    本文提供了一个现有方法的回顾，以开发具有内在可解释性的 DNN，重点关注卷积神经网络 (CNNs)，旨在了解向完全可解释 DNN 的当前进展，并确定当前工作中的差距和潜在研究方向。

    Jun, 2021

  • 深度自适应小波网络

    本文提出一种采用多分辨率分析和波形表示的、深度神经网络的设计方法，以提升卷积神经网络的可解释性，并在图像分类任务中取得竞争性的准确性。

    Dec, 2019

  • 有限训练样本下的谐波网络

    本研究表明，使用离散余弦变换（DCT）滤波器的谐波块，可在有限的训练数据情况下与使用小波作为预设滤波器的散射网络相比，有效降低训练参数数量和过度拟合，从而提高卷积神经网络（CNN）的性能。

    Apr, 2019

  • 图像超分辨率中的低通滤波行为探究

    本文探索了在图像超分辨率中，深度神经网络的行为的解释及分析方法，介绍了 `the sinc phenomenon' 现象以及提出的 Hybird Response Analysis (HyRA) 方法，并引入了一个用于图像任务的评估指标 Frequency Spectrum Distribution Similarity (FSDS)。

    May, 2024