Jul, 2019

深度卷积神经网络中感受野作为正则化器的应用 --- 声学场景分类

PDF
TL;DR本文研究了卷积神经网络在音频处理任务中的表现。通过对 Receptive Field 的分析，发现 RF 对模型的泛化能力很重要。通过系统地调整 CNNs 中的 RF，可以让深层模型表现得更好。
convolutional neural networksaudio processing tasksacoustic scene classificationreceptive fieldgeneralization capability
发现论文，激发创造
  • 使用深度卷积神经网络进行音频分类和标记的接收域正则化技术

    本文研究了不同音频任务中已知卷积神经网络架构的变体性能。结果表明，调整卷积神经网络的感受野对其广义性至关重要。通过跨越多个音频分类和标记任务进行系统测试，我们提出了几种系统方法来控制 CNN 的 RF，并表明使用我们提出的方法对 CNN 的 RF 进行正则化可以显着提高模型的广义性，在多项任务中取得了最优结果。

    May, 2021

  • 卷积神经网络的感受野细化可靠地提高了预测性能

    本研究提出了一种分析卷积神经网络接受野扩展的新方法，可以在训练之前预测无效图层，并优化给定架构的参数效率，证明该方法不仅可自动化进行，而且在包括 VGGNets、MobileNetV1、MobileNetV3、NASNet A（mobile）、MnasNet、EfficientNet 和 ConvNeXt 等多个常见架构中可以削减参数，在 ImageNet1K 的数据集上，所有上述模型的表现效果都有了新的最好结果。

    Nov, 2022

  • 深度卷积神经网络中有效感受野的理解

    研究了深度卷积网络单元感受野的特性，提出了有效感受野的概念，并分析了它在几种架构设计中的作用，以及非线性激活、dropout、下采样和跳跃连接对其产生的影响。结果表明，这些因素对有效感受野的大小具有影响，并提出了一些解决途径。

    Jan, 2017

  • 大感受野网络用于高比例图像超分辨率

    提出了 Large Receptive Field Networks，它可以扩展超分辨率网络的感受野，同时不增加深度或参数计数，通过实验证明该方法在提高准确率（PSNR / SSIM），减少参数计数和提高速度方面具有有效性。

    Apr, 2018

  • 原始波形的深度卷积神经网络

    本文提出了一种利用深度卷积神经网络从原始波形数据中直接学习音频模型的方法，通过批归一化、剩余学习和精心设计的下采样实现高效处理音频波形，并在环境声音识别任务中取得了 15% 的性能提升，达到了使用对数 - 梅尔特征的模型的性能。

    Oct, 2016

  • 面向声学生物多样性监测的小型精确卷积神经网络

    通过使用时间索引标签及适当大小的 RF，我们设计出了适用于紧凑低成本设备的小型 CNN 模型，实现了较好的分类性能。

    Dec, 2023

  • 卷积神经网络中的结构化接受域

    通过将 “结构化感受野网络” 与可微的感受野表示方法相结合，我们既充分利用了预训练的优势，又避免了在小数据集上使用卷积神经网络面临过拟合的问题，该方法在多个数据集上进行了验证并得到了显著的提高。

    May, 2016

  • 准确快速物体检测的感受野块网络

    本文提出了一种使用手工机制来强化轻量级特征的快速准确检测器，通过在轻量模型特征增强方面受视觉系统中感受野结构的启发，提出了一种新的 RF Block 模块来增强特征的可区分性和鲁棒性，并在 SSD 顶部组装 RFB，构建了 RFB 网络检测器，实验证明 RFB 网络能够在保持实时运行速度的情况下达到先进的深度检测器的性能水平。

    Nov, 2017

  • 音频分类中的过度参数化和泛化

    本研究旨在探讨声场分类模型过度参数化与其泛化能力之间的关系。研究结果表明，增加卷积神经网络的宽度可以提高其对未知设备的泛化能力，即使参数数量没有增加。

    Jul, 2021

  • 大规模音频分类的 CNN 结构

    本文介绍了使用几种不同的卷积神经网络对音频进行分类，发现在大型数据集上运用图像分类中的卷积神经网络架构对于音频分类也十分有效，使用嵌入分类器的模型对音频事件检测的任务表现优于对原始特征的直接使用。

    Sep, 2016