Dec, 2022

PADDLES: 基于相位 - 振幅谱解耦的噪声标签学习早停止方法

PDF
TL;DR本研究提出了一种称为 PADDLES 的方法，通过使用离散傅里叶变换（DFT）将某些层的特征分解为振幅谱（AS）和相位谱（PS），在训练期间分别在不同的时间点停止 AS 和 PS 的训练，以提高 CNNs 对标签噪声的鲁棒性。在合成和现实标签噪声数据集上，PADDLES 的表现超过了其他早期停止方法，并实现了最先进的性能。
convolutional neural networksearly stoppingphase spectrumlabel noiserobustness
发现论文，激发创造
  • 理解和改善针对带噪标签学习的早停策略

    本论文提出一种分步训练深度神经网络的方法，称为渐进式提前停止（Progressive Early Stopping, PES），以对抗训练过程中的标签噪声。该方法可以显著提高图像分类质量，并结合现有标签噪声训练方法，达到了最新成果。

    Jun, 2021

  • 幅度相位重组：在频域重新思考卷积神经网络的鲁棒性

    本文研究使用图像的相位与幅度谱对于卷积神经网络在图片分类中的作用，发现使用相位谱能使网络更加稳健，利用此结论我们设计了新的数据增强方法并在多项测评中取得了最优结果。

    Aug, 2021

  • 相位匹配用于样本外泛化

    通过引入基于 Fourier 变换的结构性因果模型，本文旨在阐明领域泛化和频率组分之间的关系，将相位谱解释为半因果因素，将幅度谱解释为非因果因素。在多个基准测试中，通过对幅度谱进行扰动并建立空间关系来匹配相位组分，我们的方法在领域泛化和超出分布鲁棒性任务中取得了最先进的性能。

    Jul, 2023

  • 使用相位特征改进基于 DNN 的音乐源分离

    本文探讨了利用深度神经网络在音乐源分离中仅依赖幅度特征与在加入相位特征后分离性能的提升，提出了一种新的神经网络结构，该结构结合了幅度和相位，实验结果表明，相比仅使用幅度特征的网络，在 DSD100 测试集上使用相位衍生特征能够有效提升音频信号的信噪比，特别地，低音乐器的分离效果因此得到了明显的提升。

    Jul, 2018

  • 早停法如何帮助应对标签噪声的泛化问题？

    该论文提出了一种叫做 Prestopping 的新的两个阶段的训练方法，它能够在任何类型的噪声标签下实现无噪声训练，并且通过对四个图像基准数据集的广泛实验证明，在真实世界噪声的存在下，我们的方法的测试效果比四种最先进的方法提高了 0.4-8.2 个百分点。

    Nov, 2019

  • 相位连续性：学习语音增强的相位频谱导数

    本文提出了一种有效的相位重建策略，可以在嘈杂的环境中操作，通过将相位连续性损失考虑在最先进的神经语音增强系统中，本文证明了我们所提出的方法在训练过程中，可以显著提高增强语音信号的质量。

    Feb, 2022

  • 时频域浅层学习：重新思考人脸伪造检测

    本文提出了一种利用空间图像和相位谱相结合的 SPSL 方法，以捕捉人脸伪造的上采样伪影并提高可转移性，通过减少感受野来抑制高级特征，专注于本地区域的人脸伪造检测方法，并对利用相位谱的有效性进行了理论分析，在交叉数据集评估中实现了最先进的性能，并在单个数据集评估中获得可比较的结果。

    Mar, 2021

  • 基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

    本论文介绍了无线电信号标识的深度学习方法，提出了端到端学习框架和通用方法，通过调查不同的数据表示方法及其不同的影响，研究了无线电信号的分类方法，降低了设计无线电信号分类器的复杂度并提升了准确性。

    Dec, 2017

  • PHASEN：一个考虑相位和谐波的语音增强网络

    本文介绍了一种基于深度神经网络的相位和谐感知模型（PHASEN），用于单通道语音增强，其中使用两种不同的流进行幅度和相位预测，并设计了频率转换模块来捕捉沿频率轴的长程相关性，在 AVSpeech + AudioSet 和 Voice Bank + DEMAND 数据集上分别获得 1.76dB 和大幅优于以前方法的表现。

    Nov, 2019

  • 利用对抗图像的频谱特性提高鲁棒性能

    本研究通过对卷积神经网络进行频率数据增强，提出了基于分量的对抗训练方法，成功实现了对不同类型干扰包括对抗性干扰的通用鲁棒性，这有助于提升神经网络对图像扰动的抵抗力。

    May, 2023