Jul, 2023

用多分辨率神经网络拟合听觉滤波器组

PDF
TL;DR通过引入名为 MuReNN 的神经音频模型，我们旨在解决深度学习在波形处理中的非参数和参数方法之间的矛盾，MuReNN 通过训练离散小波变换 (DWT) 的八度子带上的独立卷积运算器来拓宽其感受野，将声音数据集的幅度响应与 Gammatone、CQT 和三分之一八度声音滤波器进行知识蒸馏，并在保留集上与现有的方法进行对比，结果表明 MuReNN 在所有三个优化问题上达到了最先进的性能。
waveform-based deep learningnonparametric approachesparametric modelmurennknowledge distillation
发现论文，激发创造
  • 神经傅立叶滤波器组

    该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

    Dec, 2022

  • 图像恢复的多层小波 - CNN

    本文提出了一种新的多层小波卷积神经网络（MWCNN）模型来更好地平衡感受野大小和计算效率，通过引入小波变换来减小收缩子网络中特征映射的大小并降低通道数，再使用反向小波变换来重建高分辨率特征映射，该模型可应用于许多图像修复任务，实验结果表明其有效性。

    May, 2018

  • 原始波形的深度卷积神经网络

    本文提出了一种利用深度卷积神经网络从原始波形数据中直接学习音频模型的方法，通过批归一化、剩余学习和精心设计的下采样实现高效处理音频波形，并在环境声音识别任务中取得了 15% 的性能提升，达到了使用对数 - 梅尔特征的模型的性能。

    Oct, 2016

  • 多级小波卷积神经网络

    本文提出了一种多级小波卷积神经网络 (MWCNN) 模型，通过将小波变换嵌入到 CNN 体系结构中，以在减少特征映射分辨率和增加感受野之间实现更好的权衡，以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。

    Jul, 2019

  • 随机滤波器组的能量保持和稳定性

    波形为基础的深度学习为何如此困难？尽管有很多尝试去训练卷积神经网络 (convnets) 进行滤波器设计，但它们通常无法胜过手工制作的基准线。本文从随机卷积算子的数学角度详细论述了简单卷积神经网络的统计性质。我们发现，具有随机高斯权重的有限脉冲响应 (FIR) 滤波器对于大滤波器和局部周期性输入信号是病态的，而这两者在音频信号处理应用中很常见。此外，我们观察到随机滤波器组的期望能量保持并不足以确保数值稳定性，并为其期望帧界导出了理论上的限制。

    Sep, 2023

  • 可训练小波神经网络用于非平稳信号

    本文介绍了一种小波神经网络，该网络能够学习一个专门适合非平稳信号的滤波器组，并提高数字信号处理的可解释性和性能。实验结果表明，该网络可以快速收敛，在噪声数据上具有良好的泛化能力，并优于标准网络架构。

    May, 2022

  • 一种针对音频信号处理的内容自适应可学习时频表示

    本文提出了可学习的自适应内容前端用于音频信号处理，通过卷积神经网络学习基础函数和权重优化特定任务，同时提出了一种计算内容自适应可学习时频表示的方法，实现了学习有限冲激响应滤波器组，并根据输入信号的内容通过最优滤波器组传递输出信号。

    Mar, 2023

  • MultiWave: 基于小波分解的多尺度深层网络模型用于多变量时间序列预测

    本文提出了 MultiWave 框架，采用小波分解对多变量时间序列数据进行频率分组，并结合门控机制来提高各种深度学习模型的性能。多个实验表明，MultiWave 可以准确地识别信息丰富的频率带，提高模型性能，并提供有价值的应用见解。

    Jun, 2023

  • UnivNet: 带多分辨率频谱鉴别器的神经声码器，用于高保真波形生成

    该研究提出了一种名为 UnivNet 的神经声码器，利用全频带谱特征作为输入，通过添加多分辨率谱图鉴别器来解决非锐利音频信号生成的问题，并在大量演讲者信息数据集上取得最佳客观和主观结果。

    Jun, 2021

  • 多分辨率卷积记忆的序列建模

    我们提出一种基于多分辨率分析的序列模型，通过引入 multiresolution 卷积来捕捉输入序列的多尺度趋势，该模型性能优异，适用于各种序列分类和密度估计任务。

    May, 2023