Aug, 2023

我们能够传输噪声模式吗？使用生成的案例的多环境频谱分析模型

PDF
TL;DR为了使光谱分析模型能够适用于更多环境，我们提出了一种噪声模式传递模型，通过学习不同环境下标准水样本的噪声模式差异，使噪声模式能够传递到未知样本中，进而增强系统的学习性能。通过实验证明，我们的方法能够提高深度学习模型的性能，生成高质量的案例。
spectrum analysis systemsnoise patternswater quality testingenvironmental noisedl models
发现论文，激发创造
  • 音频谱图的神经风格转移

    使用类似于艺术风格转移的方法，从随机噪声输入信号开始迭代地使用反向传播来优化声音以符合感兴趣的预训练神经架构的筛选器输出，实现了新声音的创造，展示了两种不同的任务，达到了带宽扩展 / 压缩和从歌声到乐器的音色转移。该方法的特点是，使用相同的参数集合，单个架构可以生成这些不同的音频风格转移类型，而不需要不同的复杂手动调整的信号处理管道

    Jan, 2018

  • 一种可扩展的嘈杂语音数据集和在线主观测试框架

    本研究提出了一种可以按任意讲话者数量、噪声类型和语音信噪比水平进行横向扩展的 MS-SNSD 有噪语音数据集，在这个基础上，研究者们推出了开源的评估方法，通过客观质量衡量标准和主观意见评分相互印证提升了 语音增强算法的性能。

    Sep, 2019

  • 深度学习增强自旋量子比特环境的噪声谱学

    本论文实验结果表明，使用神经网络重建近邻 NV 中心中的碳杂质集合的功率谱密度，可以提高噪声光谱学的准确性，同时需要比标准动力解耦技术更少的动力解耦序列。

    Jan, 2023

  • 无需训练集的两阶段深度学习用于光谱数据去噪

    在这篇研究论文中，我们提出了一种无需训练集的两阶段深度学习方法，用于解决去噪问题，并通过引入自适应先验改进了以往方法中的模糊输入。我们的方法结合了更先进的优化技术，相比以往工作实现了五倍的加速。此外，我们还理论上研究了对应的非凸线性问题的形态，结果表明这个问题在一阶算法中具有良好的几何收敛性。

    Feb, 2024

  • 通过观察噪声学习视觉

    该研究使用不同的噪声过程生成图像，并将其用作视觉表示学习者的训练数据。通过使用对比损失，研究两种类型的噪声过程，发现噪声需要捕捉真实数据的某些结构性质，但即使与真实数据差异很大的过程也可以实现良好的性能。多样性是学习良好表示的关键属性。

    Jun, 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

  • 基于机器学习的焦虑检测中噪声效应的比较研究

    通过比较不同程度的噪音对生理唤醒分类问题分类模型的影响，该研究探讨了为什么和如何以前的方法失败，并分析了噪音对每个模型结构的影响，从而开发出对噪音环境具有鲁棒性的模型，适合于日常生活的喧嚣。

    Jun, 2023

  • 学习相机感知噪声模型

    本论文提出了一种基于数据驱动的方法来学习真实世界的噪声模型，该模型是相机感知的，可以学习不同摄像头传感器的不同噪声特性，实验证明这种方法优于现有的统计噪声模型和基于学习的方法。

    Aug, 2020

  • SysNoise: 探索和基准测试训练 - 部署系统不一致性

    本文对深度学习模型在不同系统实现中的鲁棒性问题进行了研究，并首次引入了系统噪声（SysNoise）这一概念，该噪声在深度学习训练和部署过程中的影响不容忽视，作者进一步对其进行分类并构建了综合基准来量化其对模型性能的影响，发现 SysNoise 会对模型的鲁棒性产生一定影响，但常见的数据增强和对抗性训练等方法对其起到的缓解作用有限，从而提出了对深度学习部署系统的性能考虑是一个新的研究领域。

    Jul, 2023

  • 噪声孟加拉文本情感分析中噪声减少方法的比较分析

    我们介绍了一个手动注释的数据集（NC-SentNoB），用于识别预先存在的包含约 15k 个噪声孟加拉文本的情感分析数据集中的十种不同类型的噪声。我们首先根据输入的噪声文本识别噪声类型，并引入基线噪声降低方法以减轻噪声，然后评估了经过微调的情感分析模型在噪声和降噪文本上的性能，实验结果表明所使用的噪声降低方法不令人满意，强调了未来研究需要更合适的噪声降低方法。

    Jan, 2024