基于深度卷积循环网络的双通道语音增强算法

为提高针对手机通话应用场景中的双通道语音增强效果,使用深度卷积循环网络实现双通道语音增强算法,结合通道间的空间信息特征对模型进行改进,最后使用相位敏感掩蔽作为训练目标来修复相位损失.实验结果表明,改进方法可以提升网络对双通道信号的处理能力,得到语音质量和可懂度更高的双通道增强语音.

基于轻量化深度卷积循环网络的MVS方法

针对基于深度学习的MVS方法存在网络参数量大、显存占用较高的问题,提出一种基于轻量化深度卷积循环网络的MVS方法。首先,采用轻量化多尺度特征提取网络提取图像的高层语义特征图,构建稀疏代价体减小计算体积;其次,使用卷积循环网络对代价体进行正则化,一次平面扫描完成正则化过程,减少显存占用;最后,通过深度图扩展模块扩展稀疏深度图为稠密深度图,并结合优化算法保证重建精度。在DTU数据集上与最近的方法进行对比,包括传统MVS方法Camp、Furu、Tola、Gipuma,基于深度学习的MVS方法SurfaceNet、PU-Net、MVSNet、R-MVSNet、Point-MVSNet、Fast-MVSNet、GBI-Net、TransMVSNet。实验结果表明:所提方法在精度上与其他方法保持较小差距的前提下,能够将预测时显存开销降低至3.1 GB。

基于注意力机制和复数卷积循环网络的汽车雷达干扰抑制

随着自动驾驶技术的发展,越来越多的汽车装载车载雷达,不同车辆的车载雷达之间会产生相互干扰,导致虚假目标的出现或基底噪声的增加,降低检测性能。针对汽车雷达之间的相互干扰问题,提出了一种基于注意力机制的深度复数卷积循环网络(Deep Complex Convolution Recurrent Network with Attention,DCCRN-Attention),在频域实现干扰抑制。模型使用复数网络将信号的实部和虚部联合起来进行特征学习,能同时预测干扰抑制后目标的幅度和相位,并在跳跃连接中引入注意力机制聚焦于更重要的特征信息,抑制无关信息。实验结果表明,所提模型能有效抑制干扰、提高目标的信噪比(Signal to Noise Ratio,SNR),在评价指标上均优于基线方法。