Tricks
-
WRTFT(Weighted Range Time Fourier Transform)
本质上是一个Range-加权的STFT(有其他的加权方式吗?)- 简言之就是对Time-Range Spectrogram按行分别进行STFT;
- 再按照距离域能量进行加权
σ m = E m / ∑ m = 1 R E m \sigma_m = E_m/\sum_{m=1}^{R}E_m σm=Em/∑m=1REm
E m = ∑ T R M a p 2 ( m , : ) E_m = \sum TRMap^2(m, :) Em=∑TRMap2(m,:)
-
Data Augmentation
- Time-Shift & Range-Shift
类比图像的平移 - Time-Warping & Magnitude-Warping
将时间或者强度的序列按照某一种曲线进行扭曲
例如,原本的时间变化是 y = t y=t y=t,即按线性变化。
经过Time-Warping后,可能成为一种沿着 y = t y=t y=t上下浮动的曲线
- Time-Shift & Range-Shift
Method
其实这里所谓的Multi-View Learning指的并不是“多角度”数据下的学习规则,更准确的来说,应该理解为"Multi-Modality Fusion"。[ref: A survey of multi-view representations learning]
该文章在实际运用"Multi-View"的方式,从过程来看,更像是简单的Feature-Fusion。它通过Concatenation结合了T-R Map与Spectrogram经过各自的简单Convs所产生的特征。
而且,该文章自己也提到了它的方法并不能很好地适应"Same-Range & Different Angles"。
Comment
参考价值不大,Tricks可以考虑。