Feb, 2024

基于无监督学习的端到端无延迟生成式固定滤波主动噪声控制

PDF
TL;DR我们提出了一种无监督 - GFANC 方法，通过将协处理器和实时控制器集成到端到端可微的自适应噪声控制系统中，简化了一维卷积神经网络（1D CNN）的训练过程并提高了其实用性，以累积的二次误差信号作为训练 1D CNN 的损失函数，该无监督学习范式不仅省略了标记过程，而且在真实噪声实验中表现出比有监督 GFANC 方法更好的降噪性能。
delayless noise controlgenerative fixed-filter active noise controlunsupervised-gfanc approach1d cnn trainingend-to-end differentiable anc system
发现论文，激发创造
  • 基于不同卷积神经网络的选择性定型滤波主动噪音控制性能评估

    本文研究了基于不同一维和二维卷积神经网络的 SFANC 表现，比较分析了多种网络训练策略，发现微调可以提高选择性能。

    Aug, 2022

  • 通过预测噪音实现无监督学习

    本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

    Apr, 2017

  • 使用数据模拟进行非监督噪声适应

    本文提出利用生成式对抗网络实现深度神经网络的非监督噪声自适应问题，成功地解决了训练 - 测试数据集之间的偏差，提高了语音增强模型的性能。

    Feb, 2023

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 面向鲁棒语音识别的语音增强和噪音感知网络

    提出了一个基于噪声感知的训练框架，将增强语音引入到声学模型的多条件训练中，通过两个级联的神经结构来优化增强语音和语音识别，并取得了较好的实验结果。

    Mar, 2022

  • 深度强化学习中的动态稀疏训练自动降噪

    该研究提出了一种新的强化学习方法，自动过滤噪音输入信息，该方法使用动态稀疏训练原理和各种深度强化学习算法，可有效识别出与任务相关的输入信息，并取得了比传统算法更好的性能。

    Feb, 2023

  • 无数据学习的学生网络

    提出基于生成对抗网络（GANs）的深度神经网络的无数据训练方法，将预训练的教师网络视为固定的鉴别器，利用生成器派生的训练样本和教师网络一起训练出模型较小和复杂度较低的有效网络。通过 Data-Free Learning（DAFL）方法学习，使用 ResNet-18 在 CIFAR-10 和 CIFAR-100 数据集上实现了 92.22％ 和 74.47％ 的精度，并在 CelebA 基准测试上获得了 80.56％ 的精度。

    Apr, 2019

  • 标签噪声鲁棒性生成式对抗网络

    该论文提出了一种名为 rGAN 的新型 GAN 模型，通过加入噪声转移模型，在训练标签出现噪声的情况下，可以学习到一个干净的带条件的生成分布。该模型在不同的噪声设置和多种评估指标下得到了有效的表现。

    Nov, 2018

  • 从受损图像学习自监督去噪技术：噪声即干净

    本文提出了一种用于培训自我监督去噪网络的新策略，即 “Noisy-As-Clean”(NAC) 策略，该策略可绕过训练和测试图像之间存在的领域差距问题，并展示了该策略能够达到比原始网络更好的去噪性能。

    Jun, 2019

  • 用于训练人脸识别 CNN 的噪声容忍模式

    使用加权样本的训练范式，基于角边缘损失函数训练深度卷积神经网络模型既可消除噪声数据效应，又可以在大规模人脸识别数据集上实现高精度识别。

    Mar, 2019