دانلود ترجمه مقاله تشخیص رویدادهای صوتی با رویکرد NMF مبتنی بر نمونه – مجله IEEE

عنوان فارسی: | تشخیص رویدادهای صوتی با رویکرد NMF مبتنی بر نمونه |
عنوان انگلیسی: | AN EXEMPLAR-BASED NMF APPROACH FOR AUDIO EVENT DETECTION |
تعداد صفحات مقاله انگلیسی : 3 | تعداد صفحات ترجمه فارسی : 9 |
سال انتشار : 2013 | نشریه : آی تریپل ای - IEEE |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 4116 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 362.36Kb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و مهندسی برق |
گرایش های مرتبط با این مقاله: برق مخابرات، مخابرات سیستم، مهندسی نرم افزار و هوش مصنوعی |
مجله: چالش در تشخیص و طبقه بندی رویدادها و چشم اندازهای صوتی |
دانشگاه: گروه بهداشت دانشگاه اورله بلژیک |
کلمات کلیدی: تشخیص رخدادهای صوتی ، نمونه |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
چکیده
1 مقدمه
2 روشها
2 1 مدل ترکیبی
2 2 ایجاد دیکشنری
2 3 تشخیص رخدادهای صوتی
3 تنظیمات آزمایشی
4 آزمایشات برروی دادههای توسعهیافته
4 1 نتایج
5 بحث
5 1 مجموعه داده Office Live
5 2 مجموعه داده Office synthetic
6 نتایج و کارهای آینده
ABSTRACT
We present a novel, exemplar-based method for audio event detection based on non-negative matrix factorisation (NMF). Building on recent work in noise robust automatic speech recognition, we model events as a linear combination of dictionary atoms, and mixtures as a linear combination of overlapping events. The exemplarbased dictionary is created by extracting all available training data, artificially augmented by linear time warping at multiple rates. The method is evaluated on the Office Live and Office Synthetic development datasets released by the AASP Challenge on Detection and Classification of Acoustic Scenes and Events.
چکیده
ما یک روش بدیع، مبتنی بر نمونه را برای تشخیص رویدادهای صوتی مبتنی بر فاکتورگیری ماتریس غیرمنفی (NMF) نشان میدهیم. براساس کارهای اخیر در تشخیص گفتار خودکار مقاوم در برابر نویز، رخدادها را به عنوان یک ترکیب خطی از اجزای دیکشنری، و ترکیباتی به عنوان ترکیبات خطی رخدادهای پوشاننده مدل میکنیم. دیکشنری مبتنی بر نمونه با استخراج همه متغییرهای دادههای آموزشی، تقویت مصنوعیت توسط زمان خطی با منحرفکردن از نسبتهای متعدد ایجادمیشود. روش برروی توسعات مجموعه دادهها Office Live و Office synthetic منتشرشده توسط چالشهای AASP برروی تشخیص و گروهبندی صحنههای صوتی و رخدادها ارزیابی میشود.