SR2CNN：用于信号识别的零样本学习
机器学习
2021-05-12 v7
摘要
信号识别是信号处理与通信领域一项重要且具有挑战性的任务。在执行识别任务时，某些信号类别往往没有可获取的训练数据。因此，正如在图像处理领域被广泛使用一样，零样本学习（ZSL）对于信号识别也非常重要。遗憾的是，由于信号语义难以解释，该领域的 ZSL 几乎未被研究。本文提出一种 ZSL 框架——信号识别与重构卷积神经网络（SR2CNN），以解决此种情形下的相关问题。SR2CNN 背后的核心思想是通过引入交叉熵损失、中心损失与自编码器损失的恰当组合，并采用合适的距离度量空间，来学习信号语义特征空间的表示，使得语义特征的最小类间距离大于最大类内距离。所提出的 SR2CNN 即使在某些信号类别无训练数据可用时也能判别信号。此外，借助信号检测，SR2CNN 能够逐步自我改进，这是因为语义特征空间中的类中心向量不断被精炼。这些优点均通过大量实验得到验证。
引用
@article{arxiv.2004.04892,
title = {SR2CNN: Zero-Shot Learning for Signal Recognition},
author = {Yihong Dong and Xiaohan Jiang and Huaji Zhou and Yun Lin and Qingjiang Shi},
journal= {arXiv preprint arXiv:2004.04892},
year = {2021}
}