Apr, 2019

音频信号处理的深度学习

PDF
TL;DR该研究文章综述了当前音频信号处理领域中基于深度学习的技术，着重介绍了其在语音、音乐、环境声音处理中的相同点和差异，强调了其潜在的交叉互补性。文章介绍了主要的特征表示和深度学习模型，以及其在音频识别和合成分离领域的应用，并最终确定了深度学习在音频信号处理中的关键问题和未来研究方向。
deep learningaudio signal processingneural network modelsaudio recognitionsource separation
发现论文，激发创造
  • 深度学习音频生成方法概述

    本文综述了音频生成中深度学习模型开发所使用的典型技术，包括音频表示、深度学习架构变体及其实际应用，以及常用的评估指标。该文章旨在为音频生成领域的初学者和新手提供对当前最先进的音频生成方法及相关研究的全面理解，以供未来研究探索。

    May, 2024

  • 演讲处理中的深度表示学习：挑战、最新进展和未来趋势

    本文介绍了语音表征学习的不同技术的最新综述，将分散的研究汇集到了自动语音识别、说话人识别和说话人情感识别三个研究领域中，并弥补了以前综述中没有涉及语音表征学习的空白。

    Jan, 2020

  • 从人工神经网络到深度学习在音乐生成中的历史、概念和趋势

    本文介绍了基于深度学习技术的音乐生成方法，包括早期使用人工神经网络的作品和最近的系统，使用现代深度学习技术和控制手段生成具有不同音乐风格的音乐。

    Apr, 2020

  • 基于深度学习的声学模型最新进展（更新）

    本文总结了基于深度学习的声学模型最近取得的进展和技术的动机和见解，讨论了可以有效利用可变长度上下文信息的语音识别模型，如 RNN、CNN 及其与其他模型的组合，以及优化了端对端性能的声学模型和鲁棒性训练策略，同时讨论了语音增强和分离等建模技术。

    Apr, 2018

  • 深度学习在歌唱处理中的应用：成就、挑战及对歌手和听众的影响

    本文概述了利用最先进的深度学习技术处理歌唱任务的最新进展，讨论了它们在精度和音质方面的成就以及目前面临的挑战，如可用数据和计算资源的情况，同时探讨了当这些进展应用于商业应用时对听众和歌手的影响。

    Jul, 2018

  • 基于深度学习的音频事件识别中时间域和频率域的对比

    本文研究了深度神经网络对频域和时域音频信号进行特征学习的效果，并利用卷积和池化进一步提高了音频事件识别的性能，实现了最先进的结果。

    Mar, 2016

  • ML-ASPA：机器学习基于声音信号处理分析的思考与应用

    这篇论文在声学信号处理领域，重点讨论声学数据、机器学习、深度学习、以及肠鸣声分析的技术和发展。

    Dec, 2023

  • 声学中的机器学习：理论与应用

    机器学习的应用已经颠覆了传统的声学处理方法，主要是在语音处理、海洋声学、生物声学和环境声学等领域，通过大量训练数据自动挖掘数据之间的复杂关系，进而描述和预测人类和环境所发出的声音现象。

    May, 2019

  • 基于样本级 CNN 结构的原始波形音频分类

    本文研究了音频领域中可扩展的分类模型，并使用两种不同的基于样本级的深度卷积神经网络模型实现。通过对各种声音类别的测试表明，这些模型达到了最先进的性能水平，并可视化了滤波器在网络中的变化。

    Dec, 2017

  • 工业机器故障诊断的深度神经网络声音信号分析

    设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

    Dec, 2023