CNN-Transformer 结合 Sigmoid 标签实现亚度级 DOA …
论文AI 评分 58/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文针对深度学习波达方向估计中的网格量化误差提出 Sigmoid 标签：把信源方向编码为多个角度偏移的单调 Sigmoid 函数之和，对用该标签训练的 CNN-Transformer 网络输出求导，可在信源方向形成尖锐谱峰。配合 0.25 度的适度细化网格，方法达到亚度级精度与 1 度分辨率，突破网格步长限制。在统一 CNN-Transformer 骨干下，作者将 Sigmoid 标签与高斯标签、0-1 硬标签及二元交叉熵基线对比，数值结果显示 Sigmoid 标签精度最高、分辨率更优。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
基于分类的深度学习 DOA 估计把连续角度空间离散成网格，再用峰值读出方向。这样一来，精度和分辨率同时受两个因素牵制：网格步长本身，以及标签峰的宽度。论文把这一现象称为网格量化误差，并把它作为主要改进目标。作者没有更换网络结构，而是从标签编码方式入手，试图让网络输出在求导后呈现更尖锐的峰，从而在网格之外获得更细的方向区分能力。
Sigmoid 标签的做法
论文提出的标签把信源 DOA 表示为若干角度偏移的单调 Sigmoid 函数之和。训练完成后，对 CNN-Transformer 网络的输出做微分，得到的谱峰在信源方向上更尖锐。作者并未追求极细的网格，而是采用 0.25 度这一适度细化的步长，最终取得亚度级精度和 1 度分辨率，说明精度不再被网格步长直接锁死。这一思路的关键在于把「分辨能力」从离散网格转移到可微的输出形状上。
对比实验与结论
在同一个 CNN-Transformer 骨干网络下，作者比较了四种标签方案：本文提出的 Sigmoid 标签、高斯标签、0-1 硬标签，以及二元交叉熵基线。数值结果显示，Sigmoid 标签在精度上最高，分辨率也优于其他标签。由于骨干网络保持一致，差异可归因于标签编码本身，这为后续在同类 DOA 任务中选择标签形式提供了直接参照。
为什么值得看
用标签设计而非堆算力绕开网格量化误差，做阵列信号处理与深度学习交叉方向的人可关注其对比结论。
量化论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。