論文の概要: Efficient Training Data Generation for Phase-Based DOA Estimation
- arxiv url: http://arxiv.org/abs/2011.04456v1
- Date: Mon, 9 Nov 2020 14:25:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 02:46:38.604202
- Title: Efficient Training Data Generation for Phase-Based DOA Estimation
- Title(参考訳): 位相に基づくDOA推定のための効率的なトレーニングデータ生成
- Authors: Fabian H\"ubner, Wolfgang Mack, Emanu\"el A. P. Habets
- Abstract要約: 深層学習(DL)に基づく到着方向推定(DOA)は活発な研究課題であり、現在最先端技術である。
位相ベースの特徴入力でDLモデルを訓練するための,低複雑性なオンラインデータ生成手法を提案する。
実験室のインパルス応答から得られたデータを用いて,提案したトレーニングデータ生成手法を用いてトレーニングしたモデルが,ソースイメージ法に基づいてトレーニングしたモデルと相容れない性能を示すことを示した。
- 参考スコア(独自算出の注目度): 8.035521056416243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) based direction of arrival (DOA) estimation is an active
research topic and currently represents the state-of-the-art. Usually, DL-based
DOA estimators are trained with recorded data or computationally expensive
generated data. Both data types require significant storage and excessive time
to, respectively, record or generate. We propose a low complexity online data
generation method to train DL models with a phase-based feature input. The data
generation method models the phases of the microphone signals in the frequency
domain by employing a deterministic model for the direct path and a statistical
model for the late reverberation of the room transfer function. By an
evaluation using data from measured room impulse responses, we demonstrate that
a model trained with the proposed training data generation method performs
comparably to models trained with data generated based on the source-image
method.
- Abstract(参考訳): 深層学習(DL)に基づく到着方向推定(DOA)は活発な研究課題であり、現在最先端技術である。
通常、DLベースのDOA推定器は、記録データまたは計算に高価な生成データで訓練される。
両方のデータタイプは、それぞれレコードや生成にかなりのストレージと過剰な時間を必要とする。
位相ベースの特徴入力でDLモデルを訓練するための低複雑性なオンラインデータ生成手法を提案する。
データ生成方法は、直接経路に対する決定論的モデルと、室内伝達関数の遅延残響に関する統計モデルを用いて、周波数領域におけるマイクロホン信号の位相をモデル化する。
実験室のインパルス応答から得られたデータを用いて,提案したトレーニングデータ生成手法を用いてトレーニングしたモデルが,ソースイメージ法に基づいてトレーニングしたモデルと相容れない性能を示すことを示した。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。
本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。
提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
論文 参考訳(メタデータ) (2024-01-08T12:04:39Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳(メタデータ) (2023-10-22T23:56:19Z) - Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - Representation Transfer Learning via Multiple Pre-trained models for
Linear Regression [3.5788754401889014]
サンプルが少ないデータ領域(ターゲット)で線形回帰モデルを学習する問題を考察する。
学習を支援するために、私たちは、潜在的に異なるデータドメインでトレーニングされた事前訓練された回帰モデルセットを提供しています。
対象モデルを構築するための表現伝達に基づく学習手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T19:35:24Z) - Graph-Based Model-Agnostic Data Subsampling for Recommendation Systems [29.713557081485995]
データサブサンプリングはリコメンデーションシステムのトレーニングを高速化するために広く使われている。
ほとんどのサブサンプリング手法はモデルベースであり、データの重要性を測定するために事前訓練されたパイロットモデルを必要とすることが多い。
本稿では,グラフで表される入力データ構造のみを探索し,モデルに依存しないデータサブサンプリング手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T18:00:15Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳(メタデータ) (2023-05-10T11:10:09Z) - Transfer Learning with Uncertainty Quantification: Random Effect
Calibration of Source to Target (RECaST) [1.8047694351309207]
我々はRECaSTと呼ばれる伝達学習に基づくモデル予測のための統計的枠組みを開発する。
線形モデル間の伝達学習におけるRECaST手法の有効性を数学的・実験的に実証した。
シミュレーション研究における本手法の性能と実際の病院データへの適用について検討する。
論文 参考訳(メタデータ) (2022-11-29T19:39:47Z) - Low-Resource Music Genre Classification with Cross-Modal Neural Model
Reprogramming [129.4950757742912]
ニューラルモデル再プログラミング(NMR)の概念に基づく低リソース(音楽)分類のための事前学習モデルを活用する新しい手法を提案する。
NMRは、凍結した事前学習モデルの入力を変更することにより、ソースドメインからターゲットドメインへの事前学習モデルの再取得を目指している。
実験結果から,大規模データセットに事前学習したニューラルモデルは,この再プログラミング手法を用いて,音楽ジャンルの分類に成功できることが示唆された。
論文 参考訳(メタデータ) (2022-11-02T17:38:33Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - Data from Model: Extracting Data from Non-robust and Robust Models [83.60161052867534]
この研究は、データとモデルの関係を明らかにするために、モデルからデータを生成する逆プロセスについて検討する。
本稿では,データ・トゥ・モデル(DtM)とデータ・トゥ・モデル(DfM)を連続的に処理し,特徴マッピング情報の喪失について検討する。
以上の結果から,DtMとDfMの複数シーケンスの後にも,特にロバストモデルにおいて精度低下が制限されることが示唆された。
論文 参考訳(メタデータ) (2020-07-13T05:27:48Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。