摘要:
大名鼎鼎的UNet和我们经常看到的编解码器模型,他们的模型都是先将数据下采样,也称为特征提取,然后再将下采样后的特征恢复回原来的维度。这个特征提取的过程我们称为“下采样”,这个恢复的过程我们称为“上采样”,本文就专注于神经网络中的下采样和上采样来进行一次总结。写的不好勿怪哈。 神经网络中的降维方法 阅读全文
公告
搜索
阅读排行榜
- 1. librosa语音信号处理(63095)
- 2. 声学回声消除(Acoustic Echo Cancellation)原理与实现(59308)
- 3. 快速傅里叶变换及python代码实现(47126)
- 4. 梅尔频率倒谱系数(MFCC)的原理讲解及python实现(45798)
- 5. 自适应滤波器算法综述以及代码实现(42212)
- 6. 波束形成算法综述(36573)
- 7. python做语音信号处理(34689)
- 8. 主动噪声控制 (Active Noise Control, ANC)理论及Matlab代码实现(26311)
- 9. 语音主观和客观评价总结与实现(23462)
- 10. 语音和噪声相关数据集(持续更新)(22446)
最新评论
- 1. Re:主动噪声控制 (Active Noise Control, ANC)理论及Matlab代码实现
- 感谢博主,很通俗易懂,是比较好的学习资料。补充一下对ANC LMS的符号定义:其中,x是参考传声器接受到的噪声;P是参考传声器和误差传声器接收到噪声的不同的传递函数;d是参考传声器接受到的噪声;e是参...
- --gedebabin
- 2. Re:基于深度学习的回声消除系统与Pytorch实现
- @牛广硕 没有考虑...
- --凌逆战
- 3. Re:基于深度学习的回声消除系统与Pytorch实现
这个模型是不是没有考虑延时估计?是不是已经默认far_end和mic_in已经对齐了
- --牛广硕
- 4. Re:基于深度学习的回声消除系统与Pytorch实现
- @康壳 其实不是合成,而是录制的时候环境有噪声...
- --牛广硕
- 5. Re:论文翻译:2020_Acoustic Echo Cancellation Challenge Datasets And Testingframework
- 远端参考信号可以是: GUID_farend_singletalk_lpb.wav 或者 GUID_farend_singletalk_with_movement_lpb.wav 近端麦克风信号可以表...
- --牛广硕