Fugu-MT 論文翻訳(概要): Training a U-Net based on a random mode-coupling matrix model to recover acoustic interference striations

論文の概要: Training a U-Net based on a random mode-coupling matrix model to recover acoustic interference striations

arxiv url: http://arxiv.org/abs/2003.10661v1
Date: Tue, 24 Mar 2020 05:01:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-20 08:31:10.686854
Title: Training a U-Net based on a random mode-coupling matrix model to recover acoustic interference striations
Title（参考訳）: ランダムモード結合行列モデルに基づくU-Netの学習と音響干渉の緩和
Authors: Xiaolei Li, Wenhua Song, Dazhi Gao, Wei Gao and Haozhong Wan
Abstract要約: U-Netは、歪んだものから音響干渉ストレート(AIS)を回復するために訓練される。ランダムモード結合行列モデルを導入し、多数のトレーニングデータを迅速に生成する。非線形内部波を用いた範囲依存導波路(NLIW)におけるU-NetのAIS回復性能の検証
参考スコア（独自算出の注目度）: 4.4516874186575155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A U-Net is trained to recover acoustic interference striations (AISs) from distorted ones. A random mode-coupling matrix model is introduced to generate a large number of training data quickly, which are used to train the U-Net. The performance of AIS recovery of the U-Net is tested in range-dependent waveguides with nonlinear internal waves (NLIWs). Although the random mode-coupling matrix model is not an accurate physical model, the test results show that the U-Net successfully recovers AISs under different signal-to-noise ratios (SNRs) and different amplitudes and widths of NLIWs for different shapes.
Abstract（参考訳）: U-Netは、歪んだものから音響干渉ストレート(AIS)を回復するために訓練される。ランダムモード結合行列モデルを導入し、多数のトレーニングデータを迅速に生成し、U-Netのトレーニングに使用する。非線形内部波(NLIW)を用いた範囲依存導波路において,U-NetのAIS回復性能を検証した。ランダムモード結合行列モデルは正確な物理モデルではないが, 実験結果は, 異なる信号-雑音比 (SNR) および異なる形状のNLIWの振幅と幅で, U-NetがAISを回復することを示す。

関連論文リスト

Deep Learning Modeling Method for RF Devices Based on Uniform Noise Training Set [0.4893345190925178]
本稿では,一様雑音学習セットを用いたRFデバイスの深層学習に基づくモデリング手法を提案する。この仮説に基づいて,測定データに基づく完全集積回路モデリングプロセスの設計を行う。実験結果から, RF装置の非線形特性を均一に捉えることができることがわかった。
論文参考訳（メタデータ） (2024-12-05T07:34:04Z)
Cross-modal Prompts: Adapting Large Pre-trained Models for Audio-Visual Downstream Tasks [55.36987468073152]
本稿では,DG-SCT(Dual-Guided Space-Channel-Temporal)アテンション機構を提案する。 DG-SCTモジュールはトレーニング可能なクロスモーダル・インタラクション・レイヤを事前トレーニングされたオーディオ・ビジュアル・エンコーダに組み込む。提案手法は, AVE, AVVP, AVS, AVQA, AVQAを含む複数のダウンストリームタスクにまたがる最先端の処理結果を実現する。
論文参考訳（メタデータ） (2023-11-09T05:24:20Z)
Waveform Manipulation Against DNN-based Modulation Classification Attacks [2.8475397246467575]
本稿では,無線通信信号の変調学習にDeep Neural Network (DNN) を用いた盗聴者に対する防御手法を提案する。本手法は,変調データと混合した連続時間周波数変調(FM)難読化信号を用いて出力波形を操作することに基づく。その結果, 難聴波形のパラメータを慎重に選択することで, AWGNでは10%未満に, LRxでは性能損失が無く, フェーディングチャネルでは10%以下に分類性能を低下させることができることがわかった。
論文参考訳（メタデータ） (2023-10-03T09:03:34Z)
One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文参考訳（メタデータ） (2023-06-06T20:28:37Z)
Deformable Temporal Convolutional Networks for Monaural Noisy Reverberant Speech Separation [26.94528951545861]
音声分離モデルは、多くの音声処理アプリケーションにおいて、個々の話者を分離するために使用される。ディープラーニングモデルは、多くの音声分離ベンチマークにおける最先端(SOTA)結果につながることが示されている。時間畳み込みネットワーク(TCN)として知られるそのようなモデルの1つは、音声分離タスクにおいて有望な結果を示している。近年,TNの最適なRFは,音声信号の残響特性によって異なることが明らかにされている。
論文参考訳（メタデータ） (2022-10-27T10:29:19Z)
Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
論文参考訳（メタデータ） (2021-08-31T08:19:54Z)
Inverse-Dirichlet Weighting Enables Reliable Training of Physics Informed Neural Networks [2.580765958706854]
我々は、深層ニューラルネットワークのトレーニング中に、スケール不均衡を伴うマルチスケールダイナミクスから生じる障害モードを記述し、治療する。 PINNは、物理方程式モデルとデータとのシームレスな統合を可能にする、一般的な機械学習テンプレートである。逐次トレーニングを用いた逆モデリングでは,逆ディリクレ重み付けがPINNを破滅的忘れから保護することがわかった。
論文参考訳（メタデータ） (2021-07-02T10:01:37Z)
High-Fidelity and Low-Latency Universal Neural Vocoder based on Multiband WaveRNN with Data-Driven Linear Prediction for Discrete Waveform Modeling [38.828260316517536]
本稿では、離散波形モデリング(MWDLP)のためのデータ駆動線形予測を用いたマルチバンドWaveRNNに基づく新しいユニバーサルニューラルネットワークボコーダフレームワークを提案する。提案したMWDLPフレームワークは、クリーンでノイズの多い残響条件を含む300人の話者のトレーニングデータに対して、見知らぬ話者や/または言語に対して高忠実な合成音声を生成することを示す。
論文参考訳（メタデータ） (2021-05-20T16:02:45Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)
Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文参考訳（メタデータ） (2020-10-19T13:05:08Z)
Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
論文参考訳（メタデータ） (2020-06-23T09:19:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。