检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于耳蜗图多示例分析的音频场景分类模型

华东理工大学学报（自然科学版） 2022年第1期48卷 99-104页

作者：林巧颖陈宁华东理工大学信息科学与工程学院上海200237

音频场景分类(Acoustic Scene Classification,ASC)是计算听觉场景领域最具挑战的任务之一。传统的ASC模型大多采用基于线性频率分析的手工特征加基于深度学习的分类模型方法。然而,一方面,由于基于线性频率分析的特征提取方法无法模拟... 详细信息

音频场景分类(Acoustic Scene Classification,ASC)是计算听觉场景领域最具挑战的任务之一。传统的ASC模型大多采用基于线性频率分析的手工特征加基于深度学习的分类模型方法。然而,一方面,由于基于线性频率分析的特征提取方法无法模拟人耳基底膜的非线性频率选择特性,从而造成特征分辨率低下的问题;另一方面,现有的分类模型无法解决由于音源复杂且音频事件高度重叠所造成的分类准确率低下的问题。为了解决以上问题,提出了基于耳蜗图多示例分析的音频场景分类模型,一方面采用中心频率按照等效带宽均匀分布的余弦滤波器组对信号频谱进行滤波以模拟人耳听觉感知特性;另一方面,通过引入多示例学习刻画整个数据结构的特点以提高分类准确率。此外,为了抵抗音频事件的频移影响,在多示例学习分类模型的分类预测整合器中采用平均池化方法。在DCASE 2018和DCASE 2019竞赛所提供的Task1a数据集上的实验结果表明,本文提出的模型比DCASE 2018竞赛所提供的基线系统以及传统的基于Log Mel特征提取和多示例学习的模型实现了更高的分类准确率,同时也验证了平均池化要优于最大池化。

关键词：耳蜗图特征深度学习多示例分析音频场景分类

CNN-XGBoost混合模型在音频场景分类中的应用

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

小型微型计算机系统 2021年第1期42卷 213-217页

作者：杨立东胡江涛张壮壮内蒙古科技大学信息工程学院内蒙古包头014010

在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频... 详细信息

在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频信号转换成梅尔声谱图,然后输入到卷积神经网络中完成抽象特征提取,最后利用极端梯度提升算法进行分类.为了评估模型的有效性,在城市音频场景UrbanSound8K数据集上进行分类性能测试,结果表明,该混合算法模型对音频场景的分类精确率可以达到89%,优于传统的神经网络算法模型,说明该混合模型对音频场景分类问题的有效性.

关键词：音频场景分类卷积神经网络极端梯度提升梅尔声谱图

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的音频场景分类研究

基于深度学习的音频场景分类研究

作者：乔高杰武汉邮电科学研究院

学位级别：硕士

音频场景分类(Acoustic Scene Classification,ASC)是将音频与其录制场景对应起来的一种方法,是计算机听觉场景分析的重要课题之一。音频场景分类,主要是通过提取音频信号的特征,并将经过分析的特征分类到与之对应的场景。目前的音频场... 详细信息

音频场景分类(Acoustic Scene Classification,ASC)是将音频与其录制场景对应起来的一种方法,是计算机听觉场景分析的重要课题之一。音频场景分类,主要是通过提取音频信号的特征,并将经过分析的特征分类到与之对应的场景。目前的音频场景分类系统主要由音频特征提取和分类器两部分组成,提取的音频特征主要包括梅尔频率倒谱系数和对数梅尔谱图,分类器主要包含循环神经网络,卷积神经网络以及深度神经网络。研究人员通过改进单模型、多模型集成以及迁移学习来提高模型性能。在视频信息质量较差的情况下,通过对音频的分析来辅助视频分类系统的工作,对于自动驾驶和智慧城市等发展有一定的贡献。为了解决音频场景分类准确率低的问题,本文主要是单模型进行改进,研究工作从三个方面进行展开,分别是:以对数梅尔谱图为基础,通过改变滤波器的数量、使用不同通道的音频以及谐波冲击源分离(Harmonic Percussive Source Separation,HPSS)的增强方法来提取不同信息的音频特征;在卷积神经网络作为分类器的基础上,通过添加压缩激励(Squeeze Excitation,SE)模块将能够关注到卷积模块输出特征通道间的信息,并且利用压缩激励来提取不同频率间的信息;以经典的卷积神经网络结构VGG(Visual Geometry Group)和Inception中的基本结构单元为基础,将1个Inception和2个VGG基本结构单元组成混合网络作为分类器。实验表明,在2019声学挑战赛的场景分类数据集上,适当的增加滤波器的数量,使用谐波冲击源分类方法提取的音频特征将分类准确率最高提升了5.4%;基于通道的压缩激励应用能够改善模型分类性能,基于频率的压缩激励模块在部分场景的分类效果有所提升;基于混合网络的模型的分类效果在部分场景分类准确率表现较好。

关键词：音频场景分类卷积神经网络压缩激励谐波冲击源分离

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合卷积神经网络模型的音频场景分类

基于混合卷积神经网络模型的音频场景分类

作者：张壮壮内蒙古科技大学

学位级别：硕士

音频信号包含很多信息内容,通过音频信号处理技术,人们可以更好感知和理解周围的环境,因此该技术已经被广泛应用于监控、助听器设备和智能终端等领域。音频标签数据相比于图像信息数据采集更简单,占用内存更小,记录的音频标签很容易表... 详细信息

音频信号包含很多信息内容,通过音频信号处理技术,人们可以更好感知和理解周围的环境,因此该技术已经被广泛应用于监控、助听器设备和智能终端等领域。音频标签数据相比于图像信息数据采集更简单,占用内存更小,记录的音频标签很容易表达出信息内容。随着互联网技术的快速发展,对于音频场景分类算法的应用研究越来越多。音频场景分类是通过对音频标签信息进行分析,理解音频语义特证,从而达到识别和理解周围环境内容的目的。音频场景分类的系统设计包括特征提取和分类器模型构建两部分。采用的特征提取方式主要有梅尔声谱图和梅尔频率倒谱系数。在相同卷积神经网络结构和模型参数下,分别采用这两种特征进行提取和分类实验。实验结果显示梅尔频率倒谱系数可以更好展现不同类别音频信号本质特征的差异,并且每类音频场景标签的精确率结果都比梅尔声谱图要高。卷积神经网络通过对音频信号的图像特征进行非线性特征映射,通过有效训练来提高模型的性能。由于单一的卷积神经网络分类容易产生过拟合等问题,所以需要对系统神经网络算法进行优化实验,主要引进了长短时记忆网络和极度梯度提升算法。考虑到音频信号具有时序性,在卷积神经网络提取抽象特征之后引入了长短时记忆网络来处理音频信号时间轴上的音频信息,提出了卷积神经网络和长短时记忆网络混合模型,对声谱图进行训练,由最后一层softmax分类器进行分类。而上述神经网络模型分类器直接使用softmax只是对音频信号进行预测,没有对提取的特征进行训练,直接输出分类结果,存在一定的不足,提出了卷积神经网络和极度梯度提升算法混合模型,通过添加极度梯度提升算法模型,代替softmax分类器对特征再次进行训练,预测音频场景信号的分类准确率。极度梯度提升算法是通过树模型对损失函数进行迭代,并优化目标函数,由叶节点输出分类结果。系统模型通过在包含10类的城市音频数据集上进行训练和测试,实验使用准确率、精确率、召回率和F1-Score作为衡量音频场景分类的性能评价指标。实验结果显示基于卷积神经网络和极度梯度提升算法的混合模型分类结果的准确率最高的,并且每类音频场景实验得到的精确率、召回率和F1-Score比其它算法模型效果好,验证了本文所采用的混合模型可以更好的处理音频场景分类任务。

关键词：音频场景分类梅尔声谱图梅尔频率倒谱系数卷积神经网络长短时记忆网络极度梯度提升

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的音频场景分类方法研究

基于深度学习的音频场景分类方法研究

作者：陈艳山西大学

学位级别：硕士

在声音信号检索(Sound Information Retrieval,SIR)领域,音频场景分类(Environmental Sound Classification,ESC)作为该领域的热点问题,致力于通过分析从各种音频信号中提取的复杂特性,识别其对应的特定场景所包含的语义标签,从而对其... 详细信息

在声音信号检索(Sound Information Retrieval,SIR)领域,音频场景分类(Environmental Sound Classification,ESC)作为该领域的热点问题,致力于通过分析从各种音频信号中提取的复杂特性,识别其对应的特定场景所包含的语义标签,从而对其周围环境进行感知和理解,最终实现特定音频场景的分类。常用音频信号特征提取方法为梅尔频率倒谱系数(MEL Frequency Cepstrum Coefficient,MFCC)。这种方法虽然抗干扰能力强,能够抓取音频数据中最有辨识度的部分,但却只能分析信号的短时特征,往往不足以完整刻画整个音频数据的结构特点。近年来深度学习技术日益成熟并作为最有效的特征提取方法之一,已在机器学习、图像识别、自然语言处理等诸多领域取得突破性进展。卷积神经网络(Convolutional Neural Networks,CNN)作为典型的深度学习网络框架,具有权值共享和局部连接等特性,特别是带有池化层的卷积神经网络在对城市声音声源分类方面卓有成效。然而,池化操作往往会导致信息的大量丢失,从而影响分类结果准确性。本文在CNN具有良好结构特征分析能力的基础上,将传统音频信号特征提取方法MFCC进行了进一步结构特征分析,探索更好的深度学习方法以解决传统的音频场景分类问题。首先通过深度学习的经典模型CNN进行实验,并采用了结构特殊的膨胀卷积方法对比,发现膨胀卷积由于其“网格型”结构可以在原始参数不增加的情况下,扩大感受野范围,覆盖更多帧,从而很好代替传统带有池化操作的卷积运算。同时,通过对膨胀卷积结构特点的进一步研究,发现膨胀系数变大或扩大膨胀卷积层数将使实验精度降低。认为在膨胀卷积模型中存在固有“网格”缺陷,因此会丢失很大信息,过度放大的感受野使得框架太大而不能获得声音信号随时间变化的特性。可以预见,基于深度学习的音频场景分类问题在今后的工作中还存在很多值得深入探究的内容。本文主要研究内容及取得成果如下:(1)整理总结国内外音频信号处理问题及深度学习技术的发展现状,发现传统音频信号处理只能分析信号的短时特征,后续识别问题步骤繁多复杂,且主要基于一般浅层分类器的应用。通过研究典型深度学习方法,寻找适合的结构化模型在语音识别分类上进行实践应用。(2)深度学习的方法多种多样,不同结构对不同场景特征敏感度不同,识别性能存在差距。本文研究了带有池化操作的传统卷积神经网络的音频场景特征提取分类方法。并在模型设计中引入了膨胀卷积思想,通过这种特殊结构的卷积操作形式,在城市声源数据集中取得了比传统卷积神经网络更好的结果。(3)深入研究膨胀卷积的结构对实验结果的影响,发现扩大膨胀率或膨胀卷积层数将使实验分类精度降低。这可能是音频信号具有短时稳定性,膨胀模型有“网格”连接缺陷,经过MFCC处理的特征再通过这种网格结构,覆盖帧的范围严重改变,最终影响整体音频信号的特征提取。

关键词：深度学习音频场景分类卷积神经网络膨胀卷积

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多深度模型集成的音频场景分类方法研究

基于多深度模型集成的音频场景分类方法研究

作者：彭凡凡哈尔滨工业大学

学位级别：硕士

音频场景分类(Acoustic Scene Classification,ASC)是计算机听觉场景分析(Computational Auditory Scene Analysis,CASA)领域的一种特定任务,它根据音频流的声学内容,识别其所对应的特定场景语义标签,进而达到感知和理解周边环境的目的... 详细信息

音频场景分类(Acoustic Scene Classification,ASC)是计算机听觉场景分析(Computational Auditory Scene Analysis,CASA)领域的一种特定任务,它根据音频流的声学内容,识别其所对应的特定场景语义标签,进而达到感知和理解周边环境的目的。与致力于理解人类感知音频场景机制的心理学研究不同,音频场景识别主要依赖信号处理技术和机器学习方法实现自动识别音频场景。传统的ASC任务,主要针对单个场景进行特征提取和分类器选择。随着音频采集设备的迅猛发展,各种各样的音频数据被大量收集,传统的信号处理技术和识别方法面临着重大的挑战,急需研究新的技术改善现状。为了充分的利用繁多的音频场景数据,本文尝试了各种深度学习方法,如多层感知机(Multi-Layer Perceptron,MLP)、卷积神经网络(Convolutional Neural Network,CNN)、长短时循环神经网络(Long Short-Term Memory,LSTM)等。首先,提取音频的帧级特征,包括:梅尔频率倒谱系数MFCC(Mel-Frequency Cepstral Coefficients,MFCC)特征和对数梅尔谱(Log-Mel Spectrogram)特征,然后将音频帧拼接成段特征,输入到深度学习模型进行识别分类。为了改善基于LSTM模型的ASC系统,本文提出了一种基于乱序自助采样法的段处理技术。这种段处理技术不仅可以模拟复杂的时序组合关系,而且可以扩大训练数据规模,从而使模型的泛化能力更强。为了改善基于MLP模型的ASC方法,本文在模型结构中引入了Attention机制。通过引入Attention机制,可以突破数据全局表征的局限,更关注数据的关键部分。同时,Attention机制能很好的处理去耦合问题,即用不同的特征空间来描述不同的场景。不同种类的深度学习方法对不同场景的识别能力不同,如MLP能很好的识别的场景是沙滩、居民区,而CNN更易区分图书馆、公交车。而集成学习通过将多个学习器进行结合,常可获得比单一学习器显著优越的泛化性能。所以,为了集成各种分类器的在不同场景上的识别优势,本文采用了各种集成学习融合方法,其中基于BAGGING(Bootstrap AGGregat ING)框架的集成选择方法,使得ASC任务的分类性能得到了明显提升。

关键词：音频场景分类深度学习 Attention机制集成学习

基于注意力机制和深度监督的音频场景分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制和深度监督的音频场景分类方法研究

作者：赵伟博北京邮电大学

学位级别：硕士

计算机听觉场景分析旨在解决计算机如何像人类一样通过声音来感知周围环境的问题。音频场景分类是它的一个子问题,其主要目的是设计一个可以正确判断出一段新的音频信号所处场景种类的系统。随着人工智能技术的迅猛发展,音频场景分类技... 详细信息

计算机听觉场景分析旨在解决计算机如何像人类一样通过声音来感知周围环境的问题。音频场景分类是它的一个子问题,其主要目的是设计一个可以正确判断出一段新的音频信号所处场景种类的系统。随着人工智能技术的迅猛发展,音频场景分类技术开始在智能监控、自动驾驶、可穿戴智能设备等很多行业得到应用,成为目前学术研究的热点之一。针对音频场景分类问题现存解决方案中忽视多域特征和网络隐藏层信息的问题,本文提出了多域融合注意力机制算法和基于深度监督的多层特征融合网络,从而解决了网络模型对通用特征信息提取不充分的问题,提高了分类的准确率。本文的主要工作及创新点如下:（1）提出了一种多域融合注意力机制算法。音频数据存在有效数据区间起始点变化不定,多场景音频混杂等问题,则单纯利用前馈神经网络进行特征抽取很难获得高性能的通用特征。因此,本文引入了注意力机制来实现网络的自适应学习与特征抽取。此外,针对以往研究者只关注单域特征提取的问题,本文提出了一种融合时域和空域特征的多域融合注意力机制算法。实验结果表明,算法的性能在三个评价指标上均优于常用的深度学习算法,AUC达到96.8%。（2）提出了一种基于深度监督的多层特征融合网络。由于浅层网络中丰富的局部特征信息和深层网络中充足的全局描述都对网络的分类效果影响较大。因此,本文联合浅层与深层特征,利用深度监督方法同时学习音频信息的局部与全局表示,并且对这些特征信息进行了有效融合。该网络在Audio Set数据集上进行了充分的实验,结果表明其系统性能优于Google基线模型,AUC达到97%。

关键词：音频场景分类深度学习注意力机制深度监督

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于并行胶囊网络的音频场景分类研究

基于并行胶囊网络的音频场景分类研究

作者：赵飞焱内蒙古科技大学

学位级别：硕士

随着人工智能的快速发展,音频数据呈现指数增长,面对繁而复杂的音频数据,进行声学场景理解(ASU)成为了AI时代中的关键性任务之一,ASU主要是指机器根据周边环境的基础信息,识别出当前的声学场景,从而再进一步理解当前环境。音频场景分类(... 详细信息

随着人工智能的快速发展,音频数据呈现指数增长,面对繁而复杂的音频数据,进行声学场景理解(ASU)成为了AI时代中的关键性任务之一,ASU主要是指机器根据周边环境的基础信息,识别出当前的声学场景,从而再进一步理解当前环境。音频场景分类(ASC)是进行声学场景理解极为关键的环节,主要任务是将若干不同场景的音频根据声学特征归类到对应场景。但是,在实际的声学场景中,往往充斥着说话人的声音、交通工具所产生的杂声等等,各类音频互相干扰且部分场景声学特征差别甚微,要实现ASC任务取得较高的分类准确率,就要求分类模型必须具有分类准确率高、鲁棒性强等特点。近年来,随着计算机算力的提升,广大研究者将深度神经网络迁移到ASC任务中,卷积神经网络在音频场景分类任务中的分类准确率明显优于传统方法,但是面对复杂的ASC任务,CNN也存在一定的局限性,比如它的平移不变性决定其不会考虑各个特征的姿态信息,针对上述问题,本文提出网络模型一:基于并行胶囊网络的ASC分类模型,该模型利用胶囊网络擅长捕获音频间特征关系、姿态特征的特点,以及Bi-GRU擅长捕获音频的时序性特征的特点,将两者以并行的方式结合在一起,模型首先提取音频信号的对数梅尔频谱特征,然后分两个分支分别提取音频信号的特征,最后通过Re LU函数完成分类。在ASC任务中,由于场景中的音频数据存在着有效数据起点未定、多场景混杂等现象,很难单纯地利用胶囊网络训练出识别率高且鲁棒性强的声学场景分类模型,针对上述问题,本文提出网络模型二:基于协同注意力胶囊网络的音频场景分类模型,通过对声学特征中的重点帧进行关注,并结合胶囊网络可以捕捉音频姿态特征,可以学习音频中部分与整体之间相对关系的优势,进一步探究了如何提高ASC任务的分类准确率。本文分别使用数据集DCASE2019-Task 1a和复杂度更高的DCASE2020-Task 1a进行实验,网络模型一在DCASE2019-Task 1a开发集和验证集上分别获得71.1%和70.2%的准确率,比基线方法分别提升8.6%和25%;网络模型二在DCASE2020-Task 1a开发集上取得69.3%的准确率,比基线系统提升15.2%。通过上述实验结果及分析,证明本文提出的网络模型一和网络模型二适用于ASC任务,为进行声学场景理解奠定了基础。

关键词：音频场景分类并行胶囊网络协同注意力机制 DCASE

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的音频场景分类方法研究

基于卷积神经网络的音频场景分类方法研究

作者：孙凌山成都理工大学

学位级别：硕士

音频场景分类是一项通过音频分析使设备能够理解其所处环境的任务,属于计算机听觉场景领域的一个分支。目前该技术已广泛用于智能可穿戴设备、机器人传感、上下文感知服务等应用场景。近年来深度学习领域的发展更是加速了音频场景分类... 详细信息

音频场景分类是一项通过音频分析使设备能够理解其所处环境的任务,属于计算机听觉场景领域的一个分支。目前该技术已广泛用于智能可穿戴设备、机器人传感、上下文感知服务等应用场景。近年来深度学习领域的发展更是加速了音频场景分类的研究进程。作为深度学习领域中一种重要的模型,卷积神经网络具有很强的学习能力。通过引入卷积神经网络模型作为音频场景分类器,可使分类准确率获得可观的提升,甚至能使机器超过人类水平。为了探究卷积神经网络在音频场景分类领域的适用性并寻找系统性能的提升方法,文中设计了三组系统并进行了实验及比较,主要工作如下:本文从设计基于梅尔频率倒谱系数和高斯混合模型的基线系统开始,用传统机器学习的方法构造了一个典型的基线系统作为之后系统的对照组。接着研究基于卷积神经网络的音频场景分类系统的原理,探讨将卷积神经网络应用在音频场景分类中的适用性,并设计实现了一个有两层卷积模块的基本系统。训练系统时通过调整滤波器参数以发挥其分类潜力,同时还将训练时间考虑到系统性能评估的要素中去。评估阶段分析基本系统在各类别上的分类准确率并引入混淆矩阵,发现其学习能力相对基线系统更强,但应对不同数据时泛化能力不佳,且没有有效利用到音频文件中的空间信息。根据基本系统体现出的问题,本文又设计了一个改进系统,从音频处理和网络结构两方面对基本系统进行改进。音频处理方面使用了双耳表示法及谐波-冲击源分离法对原始音频进行处理并提取相应特征,使系统得以利用场景的空间特征,进而使分类准确率得到了可观的提升。网络结构方面尝试借鉴图像识别领域中的VGGNet结构,在增加网络深度的同时提升系统灵活性,最终在不同的数据上取得了更好的泛化效果。此外改进系统还使用了集成学习中的Stacking方法将多个基于不同特征的独立子模型融合,融合后的系统相比其中的子模型分类性能又有了进一步的提升。通过实验及比较,最终得出的结论是:在音频场景分类领域中,卷积神经网络相比于传统机器学习方法学习能力更强。在设计卷积神经网络时应注意网络的灵活性,将提升系统性能的重点放在网络结构优化而不是参数调整上,避免因参数过多而造成系统的泛化能力不佳。此外,通过引入集成学习的方法将多组模型进行融合通常可以显著的提升性能,但集成时应注意模型间的独立性。最后,在音频特征提取阶段如果能利用到立体声信息,可以提升系统对空间的感知能力,进而提升分类准确率。

关键词：音频场景分类卷积神经网络梅尔频率倒谱系数集成学习