audio recognition | BriefGPT

关键词audio recognition

搜索结果 - 8

Mixer 不仅仅是一个模型
这篇研究论文介绍了一种名为 ASM-RH 的新型模型，它结合了时间和频率域的特点，特别适用于音频数据，并在多个分类任务中取得了有希望的成果。
PDF4 months ago
Asca：少量音频数据揭示更多洞见
基于 CoAtNet 的 ASCA 结合了 Transformer-convolution 混合架构、新颖的网络设计和注意力技术，结合数据增强和正则化策略，在 BirdCLEF2023 和 AudioSet (Balanced) 测试中分别
PDF9 months ago
利用低频细微特征改进 DeepFake 检测
本研究针对声音 DeepFake 威胁，研究使用最新的 Whisper 语音识别模型作为前端来增强声音真实性检测，实验证明使用 Whisper 模型可提高声音 DeepFake 检测的准确性。
PDFa year ago
对比环境声音表示学习
利用自监督对比技术和浅层 1D CNN 提取环境音频的显著特征，进一步使用规范相关分析（CCA）来融合来自给定音频的两种输入类型的表示，并证明融合的全局特征相对于单独的表示具有更强的鲁棒性。在 ESC-50 和 UrbanSound8K 上
PDF2 years ago
用于音频识别的慢速 - 快速听觉流
本文提出了一种用于音频识别的双流卷积网络，通过学习具有可分离卷积和多级侧向连接的 Slow-Fast 音频流。我们证明了我们的双流提案在 VGG-Sound 和 EPIC-KITCHENS-100 数据集上的重要性，并在两个数据集上均取得了
PDF3 years ago
音频信号处理的深度学习
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
PDF5 years ago
倾听世界，提高语音命令识别
研究卷积神经网络中的迁移学习在语音识别方面的应用，发现将来自不同任务的表示转移至声音专注的任务可以显著提高准确性。通过验证在音频数据集上使用更深层网络可以获得更好准确性的结果，提出一个使用扩张卷积的简单多尺度输入表示方法，以及通过将迁移学习
PDF7 years ago
图上的谱网络和局部连接网络
本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法，分别基于分层聚类和图拉普拉斯谱。结果表明，在低维图形上，可以实现独立于输入尺寸的卷积层学习，从而实现高效的深度网络结构。
PDF11 years ago