Oct, 2019

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

PDF
TL;DR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。
neural networksdirection of arrival (doa) estimationdata augmentationrotationreflection
发现论文，激发创造
  • 回归学习的一阶流形数据增强

    研究数据增强方法在回归问题领域的应用，引入一种新的数据驱动的领域无关数据增强方法（FOMA），通过从训练分布的切平面上采样新的例子来提高神经网络的泛化能力。

    Jun, 2024

  • 卷积循环神经网络多声源到达方向估计

    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。

    Oct, 2017

  • 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

  • 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

  • ACCDOA：面向声音事件定位和检测的活动相连的笛卡尔方位角表示法

    本文提出了一种基于活动耦合笛卡尔方向角 (ACCDOA) 表示法，将声学事件的活动分配到相应的笛卡尔方向角矢量的长度中，以解决单目标 SEL​​D 任务的平衡问题以及模型大小增加的问题，并使用 DCASE2020 Task 3 数据集进行实验，结果表明，该方法在模型尺寸更小的情况下显著优于传统的双分支表示法的 SEL​​D 性能，且相对于现有的 SEL​​D 系统在定位和位置相关检测方面表现更好.

    Oct, 2020

  • SubspaceNet：基于深度学习辅助子空间方法的 DoA 估计

    本论文提出了一种数据驱动的 DoA 估计器 SubspaceNet，该估计器利用深度神经网络学习输入的经验自相关，结合 Root-MUSIC 方法的不可区分性，无需提供基础真实的可分解自相关矩阵，可在具有挑战性的设置中应用于各种 DoA 估计算法。

    Jun, 2023

  • 预测你将学到什么：非平稳环境下领域泛化的数据增强

    本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。

    Jan, 2023

  • 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

  • FrAug: 时域预测的频率域增强技术

    本文提出了一种名为 FrAug 的频率域增强方法，以改善时间序列预测模型的精度，并且也能够在数据量少和分布变化时发挥作用。

    Feb, 2023

  • 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