声学数据提供从生物学和通信到海洋和地球科学等领域的科学和工程见解。我们调查了机器学习(ML)的进步和变革潜力,包括声学领域的深度学习。 ML是用于自动检测和利用模式印度的广泛的统计技术家族。相对于传统的声学和信号处理,ML是数据驱动的。给定足够的训练数据,ML可以发现特征之间的复杂关系。通过大量的训练数据,ML candiscover模型描述复杂的声学现象,如人类语音和混响。声学中的ML正在迅速发展,具有令人瞩目的成果和未来的重大前景。我们首先介绍ML,然后在五个声学研究领域强调MLdevelopments:语音处理中的源定位,海洋声学中的源定位,生物声学,地震探测和日常场景中的环境声音。
translated by 谷歌翻译
补丁先验已成为图像恢复的重要组成部分。这类恢复算法中的强大方法是流行的预期补丁对数似然(EPLL)算法。 EPLL使用先前在干净图像补丁上学习的高斯混合模型(GMM)作为规范降级补丁的方法。在本文中,我们表明广义高斯混合模型(GGMM)比GMM更好地捕获补丁的基础分布。尽管GGMM在与EPLL结合之前是强大的,但其组件的非高斯性提出了要应用于其中的主要挑战。计算密集的图像恢复过程。具体地,每个贴片必须经历贴片分类步骤和收缩步骤。使用GMM先验可以有效地解决这两个步骤,但在使用GGMM之前在计算上是不切实际的。在本文中,我们提供了近似和计算模型,用于快速评估这两个步骤,以便EPLL可以在具有数万个补丁的图像上嵌入GGMMprior。我们的主要贡献是基于完整的理论分析来分析我们的近似的准确性。我们的评估表明,GGMM先验一致地更好地适合形成图像补丁分布,并且在图像去噪任务中平均表现更好。
translated by 谷歌翻译