論文の概要: Learnable Wavelet Packet Transform for Data-Adapted Spectrograms

• arxiv url: http://arxiv.org/abs/2201.11069v1
• Date: Wed, 26 Jan 2022 17:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 14:06:05.584012
• Title: Learnable Wavelet Packet Transform for Data-Adapted Spectrograms
• Title（参考訳）: データ適応スペクトログラムのための学習可能なウェーブレットパケット変換
• Authors: Frusque Gaetan and Fink Olga
• Abstract要約: 学習可能なウェーブレットパケット変換のためのフレームワークを提案し,データから自動的に特徴を学習する。 学習した機能はスペクトログラムとして表現することができ、データセットの重要な時間周波数情報を含んでいる。 提案手法の特性と性能を,改良されたスペクトルリークを評価し,音響モニタリングのための異常検出タスクに適用することにより評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Capturing high-frequency data concerning the condition of complex systems, e.g. by acoustic monitoring, has become increasingly prevalent. Such high-frequency signals typically contain time dependencies ranging over different time scales and different types of cyclic behaviors. Processing such signals requires careful feature engineering, particularly the extraction of meaningful time-frequency features. This can be time-consuming and the performance is often dependent on the choice of parameters. To address these limitations, we propose a deep learning framework for learnable wavelet packet transforms, enabling to learn features automatically from data and optimise them with respect to the defined objective function. The learned features can be represented as a spectrogram, containing the important time-frequency information of the dataset. We evaluate the properties and performance of the proposed approach by evaluating its improved spectral leakage and by applying it to an anomaly detection task for acoustic monitoring.
• Abstract（参考訳）: 複雑なシステムの状態に関する高周波データ(例えば音響モニタリング)の取得が普及している。 このような高周波信号は典型的には、異なる時間スケールと異なる種類の循環的挙動にまたがる時間依存性を含む。 このような信号を処理するには、特に有意義な時間周波数特徴の抽出に注意を要する。 これは時間がかかり、パフォーマンスはパラメータの選択に依存することが多い。 これらの制約に対処するために,学習可能なウェーブレットパケット変換のためのディープラーニングフレームワークを提案する。 学習された特徴は、データセットの重要な時間周波数情報を含むスペクトログラムとして表現することができる。 提案手法の特性と性能を,改良されたスペクトルリークを評価し,音響モニタリングのための異常検出タスクに適用することにより評価した。

関連論文リスト

• Investigation of Time-Frequency Feature Combinations with Histogram Layer Time Delay Neural Networks [37.95478822883338]
  音声信号を時間周波数表現に変換する手法は、性能に大きな影響を及ぼす。 この研究は、ヒストグラム層時間遅延ニューラルネットワークにおいて、異なる時間周波数特徴の組み合わせを使用することによる性能への影響を示す。
  論文  参考訳（メタデータ） (2024-09-20T20:22:24Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Topology combined machine learning for consonant recognition [8.188982461393278]
  TopCapは、低次元の内在性を持つデータセットでまれに検出される特徴をキャプチャできる。 発声子音と無声子音の分類において、TopCapは96%を超える精度を達成している。 TopCapは、音声と音声の深層学習のためのトポロジ的畳み込み層の設計を目的としている。
  論文  参考訳（メタデータ） (2023-11-26T06:53:56Z)
• State Sequences Prediction via Fourier Transform for Representation Learning [111.82376793413746]
  本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。 本研究では,状態系列における構造情報の存在を理論的に解析する。 実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-24T14:47:02Z)
• Deep Spectro-temporal Artifacts for Detecting Synthesized Speech [57.42110898920759]
  本稿では,トラック1(低品質フェイク音声検出)とトラック2(部分フェイク音声検出)の総合評価を行う。 本稿では, 原時間信号, スペクトル特性, 深層埋没特性を用いて, 分光時相アーティファクトを検出した。 我々はそれぞれ1番線と2番線で4位と5位にランクインした。
  論文  参考訳（メタデータ） (2022-10-11T08:31:30Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
  モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。 そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
  論文  参考訳（メタデータ） (2020-10-26T22:07:53Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• RobustPeriod: Time-Frequency Mining for Robust Multiple Periodicity Detection [36.254037216142244]
  複数の周期性検出のための頑健で汎用的なフレームワークを提案する。 我々のアルゴリズムは、時系列を複数の時間周波数スケールに変換するために、最大重なり合う離散ウェーブレット変換を適用している。 合成および実世界のデータセットの実験により、我々のアルゴリズムは、単周期検出と複数周期検出の両方において、他の一般的なデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-21T20:10:36Z)

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。