复数变压器架构的建立模块
本文提出了一种名为 “Complex Transformer” 的模型,它将注意力和编码器 - 解码器网络 应用于复杂数输入数据,该模型在 MusicNet 数据集和 IQ 信号数据集上取得了 state-of-the-art 的表现。
Oct, 2019
本文介绍了使用复数输入和权重构造卷积神经网络(CNN)的变形模型,以及提出的正则化方法解决训练 CNN 中的一些问题和困难,通过与真实 CNN 进行比较并应用于细胞检测问题进行实证验证,表明复杂模型比真实模型更不易过拟合且可检测出数据的有意义的相位结构。
Feb, 2016
本文介绍了基于 PyTorch 开发的一个包,旨在实现常见复数值神经网络操作和架构的轻量级接口,为数据驱动的信号处理研究和实际应用提供了有用的工具和文档。
Sep, 2023
本文研究探讨了使用复数和包含相位信息的卷积神经网络对具有相位信息的信号(例如地震数据或电气信号)进行非线性特征提取,实验表明,这种方法能提高网络的泛化性能和准确率。
May, 2019
我们引入了一种统一的复值深度学习框架 - 人工傅里叶变换网络(AFT-Net),将领域流形学习和复值神经网络相结合,可以解决领域变换中的图像逆问题,特别是用于加速磁共振成像(MRI)重建和其他应用。
Dec, 2023
本文综述了近期在文献中对 CVNNs 的各种工作,并详细研究了各种 CVNNs 的激活功能、学习与优化、输入和输出表示,以及在信号处理和计算机视觉等任务中的应用,同时探讨了一些挑战和未来研究方向。
Jan, 2021
本文提出一种新的深度学习架构用于自然复数数据,并利用极径形式将每个样本视为复数空间中的一个领域,设计了一种基于 Riemannian 流形上加权 Frechet 平均的卷积算子和基于距离到 wFM 的全连接层算子,具有非零缩放和平面旋转下的自然等变性及后者的不变性,相较于基于实数神经网络的两通道实数表示法,我们的方法在 MSTAR 和 RadioML 复数数据集上均获得了出色的表现。
Jun, 2019
本文介绍了一种新的方法,通过使用复数值神经网络处理输入音频的 CQT 频域表示,结合了幅度谱图和原始音频处理方法的优点,既保留了相位信息又可使用可解释人工智能方法,结果表明该方法在 “野外” 反欺诈数据集上优于先前的方法,并通过可解释人工智能解释结果,剔除研究证明该模型已学会使用相位信息来检测声音伪造。
Aug, 2023