Apr, 2022

FFC-SE: 语音增强的快速傅里叶卷积

PDF
TL;DR本文设计了以 Fast Fourier convolution 为核心的神经网络结构，用于语音增强，实验证实大的接受域使其优于普通卷积模型，并展示结果强于或与其他语音增强基线相当。
fast fourier convolutionneural networkspeech enhancementreceptive fieldaudio processing
发现论文，激发创造
  • 通过 FFT 快速训练卷积神经网络

    本文提出了一种使用 Fourier 变换和 GPU 架构，加速卷积网络的训练和推理的算法，并在现有技术的基础上取得了数量级上的改善。

    Dec, 2013

  • 用快速傅立叶变换优化卷积神经网络在目标识别中的应用

    该研究提出使用基于 FFT 的 U-Net 对卷积神经网络中的图像卷积成本进行改进，并应用于 BBBC 数据集，成功地将训练时间从 600-700ms / 步缩短至 400-500ms / 步，以及在 IoU 指标上取得了显著的提高。

    Oct, 2020

  • FFCNN：基于 FPGA 的卷积神经网络推理快速加速

    本文介绍了一种基于 OpenCL 的卷积神经网络加速器设计，称为 FFCNN，它包括数据重用和任务映射技术，这些技术可以在大规模图像分类中提高性能和资源利用率。

    Aug, 2022

  • 使用 FBFFT 的快速卷积神经网络：GPU 性能评估

    本文研究了卷积神经网络在当前 NVIDIA 图形处理器上的性能，介绍了两种新的快速傅立叶变换卷积实现，对于整个 CNN，fbfft 比 cuFFT 快 1.5 倍以上，并且对于许多普通的卷积层，速度也比 NVIDIA 的 cuDNN 实现 快（达到了一些合成内核配置的 23.5 倍）。

    Dec, 2014

  • 使用 FFT 分裂卷积加速卷积神经网络

    该论文提出了一种新的卷积神经网络快速傅立叶变换域处理方法，该方法基于输入分割，可以有效地解决卷积神经网络中小核计算的问题，并通过硬件实现和复杂性分析验证了其性能。

    Mar, 2020

  • 利用更快的傅里叶卷积神经网络进行加速 MR 扫描的图像重建

    本文提出了一种基于 Faster Fourier Convolution 的方法，通过扩展全局接受域来更准确地重建部分扫描数据的 MRI 图像，实现了比传统方法更快速的计算速度和更高质量的重建效果。

    Jun, 2023

  • SFC：在低精度算术下实现准确快速卷积

    通过采用符号计算扩展离散傅里叶变换 (DFT) 的 SFC，只需要在特定转换点执行加法运算，从而避免了计算无理数并降低了对精度的要求，同时通过引入修正项将傅里叶方法的无效循环卷积输出转换为有效输出，首次提出了数值误差分析，证明了我们算法在三维卷积上可以实现 3.68 倍的乘法减少，而 Winograd 算法只能达到 2.25 倍减少，同时在基准和 FPGA 实验中表明我们的新算法可以进一步提高量子化模型的计算效率并保持准确性，超过了仅量子化方法和现有的快速卷积量化研究。

    Jul, 2024

  • 频率自适应扩张卷积用于语义分割

    提出了三种策略来改进分析视角下的空间频率分布，通过频率自适应扩张卷积、自适应核函数和频率选择模块，提高了有效带宽和感知范围，从而有效改善分割和目标检测性能。

    Mar, 2024

  • 从谱的角度对傅里叶神经算子进行分析和改进的研究

    通过光谱分析明确展示了 Fourier 神经操作符在解决偏微分方程时相比卷积神经网络的显著有效性，并提出了 SpecBoost，一种集成学习框架，通过利用多个 Fourier 神经操作符来更好地捕捉高频信息，明显提高了在各种偏微分方程应用中的预测准确度，最高提升了 71%。

    Apr, 2024

  • 使用全卷积网络对原始波形进行映射进行多通道语音增强

    本文提出了一种基于 Sinc 和 dilated 卷积层的全卷积网络（称为 SDFCN）及其扩展版本的残差 SDFCN（称为 rSDFCN），用于时间域下的多通道语音增强（multichannel SE）任务，实验结果表明所提出的语音增强系统在双通道内耳麦和分布式麦克风静音任务中具有优异的性能。

    Sep, 2019