Jul, 2023

噪声抑制卷积神经网络的信号处理解释

PDF
TL;DR这篇文章通过将信号处理的基本原理与深度学习领域相连接，在统一的理论框架下，建立了对深度卷积框图的直观理解，解释了多样的编码 - 解码卷积神经网络架构，并提供了设计稳健高效的新颖卷积神经网络架构的重要指导。
encoding-decoding cnnsdata-driven noise reductiondeep-learning algorithmscnn architecturesdeep convolutional framelets
发现论文，激发创造
  • 了解编码器 - 解码器 CNN 的几何原理

    本篇论文提出了一个统一的数学框架，用于更好地理解卷积神经网络的编码器 - 解码器结构的几何性质，其包括非线性基础表示与组合卷积框架的关系，以及使用跳跃连接（skipped connection）的重要性。

    Jan, 2019

  • 深度卷积神经网络最近的架构调查

    本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

    Jan, 2019

  • 深度卷积框架：逆问题的通用深度学习框架

    通过使用多层卷积框架来实现完美重建（PR）并符合矩形线性单元非线性（ReLU），本文提出了一种新的深度卷积框架神经网络的理论，并证明了这一发现表明深度学习的成功并不是来自于黑箱的魔力，而是来自于非局部基底的新型信号表示方法的力量，这种方法与数据驱动的局部基底的结合，实际上是传统信号处理理论的自然扩展。

    Jul, 2017

  • 基于 SincNet 的可解释卷积滤波器

    本研究提出了一种新的卷积神经网络模型 ——SincNet，该模型可用于直接处理从原始波形中提取的语音，通过使用参数化 sinc 函数，鼓励第一层学习更有意义的滤波器，学习带通滤波器的低高截止频率可以从数据中直接进行，该模型比标准 CNN 模型具有更快的收敛速度，更好的性能和更好的可解释性，这在说话人识别和语音识别方面得到了很好的实验验证。

    Nov, 2018

  • 使用 CNN 滤波器学习 FRAME 模型

    本文从生成的角度研究了卷积神经网络，提出了一种学习基于卷积层过滤器的生成 FRAME 模型的方法，并说明了每个学习的模型对应于上面一层的新 CNN 单元，最终展示了利用这样的生成 CNN 模型学习新的 CNN 单元的可能性，学习算法允许使用二元潜变量的 EM 解释。

    Sep, 2015

  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 基于卷积神经网络的端到端压缩框架

    本文提出了基于卷积神经网络的图像压缩框架，其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN，开发了一种统一的端到端学习算法以有效协同两种 CNN，并与现有的图像编码标准兼容。实验结果表明，所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。

    Aug, 2017

  • FICNN：深度卷积神经网络解释框架

    本文提出了一种卷积神经网络模型解释框架，指出了模型解释和解释任务的差异，定义了用于表征解释方法的六个因素，并讨论了现有解释方法和评估协议对它们的验证，以及提出了可能出现的研究问题。

    May, 2023

  • 深度卷积神经网络的普适性

    本研究破解了学习理论中的一道难题，证明了深度卷积神经网络（CNN）是通用的，可以通过增加深度来达到任意精度的连续函数逼近，并且在处理大维度数据方面非常高效。同时我们的研究证明了卷积在深度 CNN 中的重要作用。

    May, 2018

  • 卷积网络特征提取行为研究

    该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

    Mar, 2017