Fugu-MT 論文翻訳(概要): Noise Learning Based Denoising Autoencoder

論文の概要: Noise Learning Based Denoising Autoencoder

arxiv url: http://arxiv.org/abs/2101.07937v1
Date: Wed, 20 Jan 2021 02:45:13 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 09:25:44.488287
Title: Noise Learning Based Denoising Autoencoder
Title（参考訳）: 雑音学習に基づくDenoising Autoencoder
Authors: Woong-Hee Lee, Mustafa Ozger, Ursula Challita, and Ki Won Sung
Abstract要約: 提案したnlDAEは、元のデータではなくノイズを学習する。 nlDAEは、ノイズが元のデータよりも再生しやすい場合にDAEよりも効果的です。
参考スコア（独自算出の注目度）: 6.926243508624227
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This letter introduces a new denoiser that modifies the structure of denoising autoencoder (DAE), namely noise learning based DAE (nlDAE). The proposed nlDAE learns the noise instead of the original data. Then, the denoising is performed by subtracting the regenerated noise from the noisy input. Hence, nlDAE is more effective than DAE when the noise is simpler to regenerate than the original data. To validate the performance of nlDAE, we provide two case studies: symbol demodulation and precise localization. Numerical results suggest that nlDAE requires smaller latent space dimension and less training dataset compared to DAE.
Abstract（参考訳）: 本稿では,ノイズ学習に基づくDAE(nlDAE)という,DAE(Denoising Autoencoder)の構造を改良した新しいデノイザを紹介する。提案したnlDAEは、元のデータではなくノイズを学習する。そして、ノイズ入力から再生ノイズを減算して減音を行う。したがって、nlDAEは、ノイズが元のデータよりも簡単に再生できる場合、DAEよりも効果的である。 nlDAEの性能を検証するために,シンボルの復調と正確な位置推定の2つのケーススタディを提案する。数値的な結果から,nlDAE は DAE と比較して遅延空間次元が小さく,トレーニングデータセットが小さいことが示唆された。

関連論文リスト

Denoising-Aware Contrastive Learning for Noisy Time Series [35.97130925600067]
時系列自己教師型学習(SSL)は、ラベルへの依存を軽減するために事前トレーニングのためにラベル付きデータを活用することを目的としている。本稿では,表現中の雑音を軽減し,各サンプルに対して適切な復調法を自動選択するDenoising-Aware contrastive Learning (DECL)を提案する。
論文参考訳（メタデータ） (2024-06-07T04:27:32Z)
Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文参考訳（メタデータ） (2022-12-20T00:33:11Z)
Denoising Enhanced Distantly Supervised Ultrafine Entity Typing [36.14308856513851]
本研究では,未知のラベル付き雑音分布を入力コンテキストおよび雑音型ラベル上で推定するノイズモデルを構築した。ノイズモデルにより、推定ノイズを入力から減じることで、より信頼できるラベルを復元することができる。本稿では,バイエンコーダアーキテクチャを採用したエンティティ型付けモデルを提案する。
論文参考訳（メタデータ） (2022-10-18T05:20:16Z)
Identifying Hard Noise in Long-Tailed Sample Distribution [76.16113794808001]
NLT(Noisy Long-Tailed Classification)を紹介する。ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
論文参考訳（メタデータ） (2022-07-27T09:03:03Z)
Learnability Enhancement for Low-light Raw Denoising: Where Paired Real Data Meets Noise Modeling [22.525679742823513]
雑音モデルに基づいてペア化された実データを修正する学習可能性向上戦略を提案する。我々の戦略は、ショットノイズ増強(SNA)とダークシェーディング補正(DSC)の2つの効率的な手法で構成されている。
論文参考訳（メタデータ） (2022-07-13T10:23:28Z)
Supervised Neural Discrete Universal Denoiser for Adaptive Denoising [34.13248601205547]
最近開発されたニューラルDUDEは、ニューラルネットワークをベースとした適応型離散復号器である。我々は、与えられた雑音データに基づいて、パラメータの適応的な微調整とニューラルデューデの教師付き事前学習を適合させる。
論文参考訳（メタデータ） (2021-11-24T09:09:11Z)
Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
論文参考訳（メタデータ） (2021-10-28T20:39:02Z)
Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上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） (2021-09-18T14:51:24Z)
Variational Autoencoder for Speech Enhancement with a Noise-Aware Encoder [30.318947721658862]
本稿では,ノイズ対応エンコーダを用いて,学習段階での雑音情報を含むことを提案する。提案するノイズ認識vaeは,モデルパラメータ数を増加させることなく,全体的な歪みの観点から標準vaeを上回っている。
論文参考訳（メタデータ） (2021-02-17T11:40:42Z)
Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文参考訳（メタデータ） (2020-11-30T02:49:36Z)
A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
論文参考訳（メタデータ） (2020-10-07T04:45:09Z)

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。