本文提出一种新型图像分类数据集,并评估了流行的卷积神经网络结构在此数据集上的分类表现,该数据集使用抽象类进行分类,具有人类易于解决但挑战CNN的特点。同时还发现了该数据集的变体可以为进一步研究提供有趣的可能性。
Aug, 2017
提出了一种新的框架,可以将深度神经网络应用于任意块长度的线性码的软译码,其中使用递归神经网络结构以及排序统计解码算法进行预处理来提高性能。
Feb, 2018
本文提出了第一种基于学习的 Coding-theoretic 解决方案,通过使用神经网络架构和训练方法,学习编码和解码函数来处理非线性计算,结果表明学习可以是设计码的有效技术,并且学习到的码是将编码优势应用于非线性计算的极具前途的方法。
Jun, 2018
本文提出了一种基于深度学习的新型编码方案,应用于高斯噪声信道,并结合信息论洞见,有效提升了通信可靠性,相较于过去几十年间研制的编码方案提高了3个数量级。
Jul, 2018
该研究采用基于深度学习的受限序列解码技术,在使用多层感知网络和卷积神经网络的情况下,能够实现接近于最大后验概率译码误差率的低误码率,提高系统吞吐量,实现容量实现固定长度编码,并避免基于表查找的译码方法带来的复杂性问题。
Sep, 2018
本研究提出了一种未训练的简单图像模型——深度解码器,它能够从非常少的权重参数生成自然图像,可以达到基于小波的阈值处理的效果,并且可以避免过拟合问题。此外,该模型简单且易于理论分析,为深度神经网络生成信号的有效表示提供了启示。
Oct, 2018
本文通过实验从四个不同角度:雾化、水下、运动模糊、鱼眼,探讨了深度学习神经网络中卷积神经网络在处理污损图片分类问题上的性能变化,以及使用现有计算机视觉算法删除这些污损是否可以提高分类性能的问题。
本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性,提出了三种神经网络架构进行分类,并探讨了减少训练时间的算法和技术,实现了在高信噪比下的在线分类。
Jan, 2019
本文提出一种能够生成离散信息最大化码(DIMCO)的模型,该模型使用了概率编码器,可以产生与输入数据相关联的k路d维码。我们的学习目标是最大化代码和标签之间的互信息,同时使用正则化来强制码字的项尽可能独立。我们的分析表明,使用DIMCO这样的短代码可以在少样本分类的情况下减少过拟合,并且相对于以前的方法,DIMCO获取的代码在内存和检索时间方面也更加高效。
May, 2019
通过LDPC编码的数据直接进行分类,不需要任何形式的解压缩,结果表明,与Huffman编码和算术编码相比,LDPC编码的分类效果更好,并且需要更小的学习模型。
Mar, 2024