企业公司网站模版,阳西网络问政平台官网,文登网站建设,有那个网站可以做报名链接的1.基于小波时频图特征在声音场景分类
基于小波时频图特征在声音场景分类任务中的表现
2.增强增强高效音频分类网络
https://arxiv.org/pdf/2204.11479v5 https://github.com/Alibaba-MIIL/AudioClassfication 音频分类网络如图4所示。在此阶段#xff0c;主要重点是建立一…1.基于小波时频图特征在声音场景分类
基于小波时频图特征在声音场景分类任务中的表现
2.增强增强高效音频分类网络
https://arxiv.org/pdf/2204.11479v5 https://github.com/Alibaba-MIIL/AudioClassfication 音频分类网络如图4所示。在此阶段主要重点是建立一个神经网络具有较大的感受野同时保持较低的复杂性。可以将网络分解为两个主块、1D卷积堆栈和变换器编码器块。前者沿时间轴进行降采样 其中卷积层耦合到固定低通滤波器[29,30]然后是间歇残差块[18]。这个残差块根据[31]进行修改由深度卷积和大核操作组成fx是跨通道操作的核大小等于1的卷积。此时信号 使用一系列因子di除以总因子d进行抽取Qdi例如5秒的信号下采样序列的持续时间等于[4,4,4,4]执行256倍的缩减。这可能是为了在某种程度上与频谱图操作期间进行的下采样有关。以下构建块执行进一步减少每次减少后都有一堆扩张的残余块[32]。这种改进能够提高在每帧的感受野中因此对环境类中的可变持续时间事件更具鲁棒性声音场景。使用变压器编码器块实现了跨帧收集特征图该块然后是全连接层将嵌入向量投影到类空间。
3.PANNs大规模预训练音频神经网络音频模式识别
https://arxiv.org/pdf/1912.10211v5 https://github.com/qiuqiangkong/audioset_tagging_cnn Wavegram CNN和Wavegram Logmel CNN for AudioSet标签。我们提出的Wavegram CNN是一个时域音频标签系统。Wavegram是我们提出的一个功能这类似于log-mel频谱图但使用神经网络。波形图被设计用来学习傅里叶变换的时频表示转变。波形图具有时间轴和频率轴。频率模式对于音频模式识别很重要例如具有不同音高偏移的声音属于同一个班级。波形图旨在学习频率一维CNN中可能缺少的信息系统。波形图也可能比手工制作的原木更好通过学习一种新的时频来获得mel谱图从数据转换。然后波形图可以代替log-mel光谱图作为输入特征形成我们的WavegramCNN系统。我们还结合了Wavegram和log-mel频谱图作为构建Wavegram-LogmelCNN系统的新功能.
