Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: klasyfikacja dźwięków środowiskowych

Sortuj według:

Ogranicz wyniki do:

Analiza modeli splotowych w zadaniach klasyfikacji dźwieków środowiskowych

Piczak Karol J.

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

2020

nr 7-8

366-369, CD

Splotowe sieci neuronowe są obecnie popularnym narzędziem wykorzystywanym w rozpoznawaniu dźwięków środowiskowych. Na skuteczność ich działania wpływa wiele potencjalnych czynników. Niniejszy referat przedstawia podsumowanie wyników uzyskanych w rozprawie doktorskiej autora w zakresie analizy wrażliwości modeli splotowych na dobierane wartości hiperparametrów. W szczególności zastosowanie techniki dropout okazuje się mieć znaczący wpływ na funkcjonowanie tego typu modeli.

Convolutional neural networks are a popular tool used in environmental sound recognition tasks. Their performance depends on multiple factors. This paper presents a summarized extract from author’s PhD dissertation on analyzing the sensitivity of convolutional models to hyperparameter values. In particular, dropout happens to play an important role in these kinds of models.

Urban sound classification using long short-term memory neural network

Lezhenin Iurii, Bogach Natalia, Pyshkin Evgeny

Annals of Computer Science and Information Systems

2019

Vol. 18

57--60

Environmental sound classification has received more attention in recent years. Analysis of environmental sounds is difficult because of its unstructured nature. However, the presence of strong spectro-temporal patterns makes the classification possible. Since LSTM neural networks are efficient at learning temporal dependencies we propose and examine a LSTM model for urban sound classification. The model is trained on magnitude mel-spectrograms extracted from UrbanSound8K dataset audio. The proposed network is evaluated using 5-fold cross-validation and compared with the baseline CNN. It is shown that the LSTM model outperforms a set of existing solutions and is more accurate and confident than the CNN.