.png){kind=icon}
返回
Quantized Generative Autoencoder for Audio Spectrograms
.png){kind=icon}
PRE
AI
DOI：10.1109/LES.2025.3575372.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究分析了压缩生成自编码器（AEs）的技术，以使其能够在资源受限设备上部署，并探讨了此类环境下的挑战与优化需求。作为案例研究，我们提出了一种针对高效生成水下声音频谱图而优化的量化生成自编码器。该模型在多样化场景下进行评估，展示了其能够在适应各种声学条件的同时生成低维频谱图的能力。硬件优化过程侧重于平衡计算效率与模型精度，确保其性能与非量化版本相当。
Keyword:
Autoencoders
Training
Computational modeling
Spectrogram
Hardware
Computer architecture
Adaptation models
Accuracy
Data models
Quantization (signal)
Fixed-point
generative autoencoder (AE)
hardware
optimization
pruning
quantization
spectrograms
transfer learning (TL)
期刊
IF:
2
论文数:
101
被引数:
696
机构
引用论文
Espectrogramas de registros de Ballenas Barbadas sintetizados a partir de arquitecturas de Autoenconders: CAE, VAE y CAE-LSTM.png)
Elektron
ElektronIF0
PREAI
分享收藏Methodology for CNN implementation in FPGA-based embedded systems基于FPGA的嵌入式系统中卷积神经网络实现的方**法学
IF0
PREAI
分享收藏
分享收藏 没有更多内容
没有更多内容