Feb, 2024

无线电信号分离的 WaveNet 架构的新方法：可学习的扩张和数据增强

PDF
TL;DR本文介绍了改进的 WaveNet 架构，引入了可学习的扩张参数，极大地提高了在密集射频频谱中的信号分离能力。通过创新的数据增强策略和重点的架构优化，我们的模型在辨别复杂信号源方面取得了显著的改进，并在 OFDM-QPSK with EMI Signal 1 的 BER 为 $10^{-3}$ 时，SINR 有 58.82% 的增加，超过传统基准。值得注意的是，我们的模型在挑战赛中取得了第一名，验证了其卓越的性能，为射频通信领域的机器学习应用建立了新的标准。
发现论文，激发创造
  • 基于 Wave-U-Net 的语音增强改进

    研究了 Wave-U-Net 结构在语音增强中的应用，发现其在时域直接建模可以考虑大的时间上下文信息的特点下，可以在 Voice Bank corpus（VCTK）数据集上的语音增强任务中提高 PESQ、CSIG、CBAK、COVL 和 SSNR 多个指标，相比于其原始的音乐中唱声分离系统而言，基于少量隐藏层的结构更适合语音增强，该结果为进一步探索语音增强在时域中的应用提供了鼓舞人心的信号，并可以作为语音识别系统的预处理步骤。

    Nov, 2018

  • 语音去噪的 Wavenet

    该研究提出了一种基于非因果的扩张卷积和预测目标场而不是单个目标样本的、采用监督学习方式最小化回归损失的判别式模型适应方法，旨在进行语音去噪处理，比传统幅度谱法的维纳滤波法具有更好的计算性能和感知评估效果。

    Jun, 2017

  • 一种基于递归融合扩张卷积和信道注意力的高效语音分离网络

    本文介绍了一种高效的语音分离神经网络，采用了扩张卷积、多尺度融合和通道注意力等多种方法，可以克服卷积网络的有限感受野和变换器网络的高计算成本问题，实现局部和全局特征的学习，并通过通道的注意力权重学习关键的特征来提高网络的表达能力和鲁棒性，实验结果表明，该模型在性能和计算效率之间取得了不错的平衡，是目前实际应用的有希望的选择。

    Jun, 2023

  • 用于音频源分离的多尺度多频带 DenseNets

    采用 DenseNet 架构的音频源分离方法在 SiSEC 2016 竞赛中表现优异，具有更好的信号失真比和更少的参数、更短的训练时间。

    Jun, 2017

  • 利用小波变换对深度学习的调制识别进行无线电信号增强

    本文提出了一种使用离散小波变换分解的细节系数进行数据扩增，以生成新的样本并扩展训练集的方法，仿真结果表明我们的方法明显优于其他扩增方法。

    Nov, 2023

  • D3Net：密集连接的多扩张 DenseNet 音乐源分离

    本文提出了一种新的 CNN 结构称为密集连接扩张 DenseNet（D3Net），用于模拟同时具有多分辨率数据的音频信号，该结构避免了在 DenseNet 中纳入扩张卷积时存在的混叠问题。通过对 MUSDB18 数据集的实验结果表明，D3Net 具有最先进的性能，平均信号失真比为 6.01 分贝。

    Oct, 2020

  • SDWNet：一种基于小波变换的长径网络用于图像去模糊

    本研究提出一种使用扩张卷积和小波变换的简化网络结构来解决图像去模糊问题，通过充分利用不同的感受野，使我们的方法在训练要求较低的情况下实现了与现有算法相当的性能。

    Oct, 2021

  • Wave-U-Net: 一种用于端到端音频源分离的多尺度神经网络

    本文提出了一种基于 Wave-U-Net 的新颖的时域音源分离结构，在处理长时间序列信号时取得了较好的分离效果，并通过改进输出层和追溯预测框架等结构进行优化，同时揭示了当前 SDR 指标存在的问题并提出了改进方案。

    Jun, 2018

  • WaveY-Net: 物理增强的深度学习用于高速电磁模拟和优化

    使用 WaveY-Net 混合数据和物理学方法的卷积神经网络，通过学习物理约束和计算磁场得出电场的方式，针对介电光子结构预测电磁场分布以进行性能优化，提供了一种高速、精准和全面的 Maxwell 模拟器替代方案，特别适合于周期性硅纳米结构阵列的全局和局部自由形优化。

    Mar, 2022

  • 基于深度复数 U-Net 的相位感知语音增强

    通过三种方式解决相位估计问题，提出了基于复数建模的 Deep Complex U-Net，极坐标复数掩蔽方法和新型的 wSDR 损失函数，在 Voice Bank 和 DEMAND 数据库上测试表明相对于之前的方法实现了最新的性能提升。

    Mar, 2019