| DC Field | Value | Language |
|---|
| dc.contributor.author | Жук, И. Н. | - |
| dc.date.accessioned | 2018-06-08T08:44:57Z | - |
| dc.date.available | 2018-06-08T08:44:57Z | - |
| dc.date.issued | 2018 | - |
| dc.identifier.citation | Жук, И. Н. Система классификации звуков окружающей среды / И. Н. Жук // Доклады БГУИР. - 2018. - № 3 (113). - С. 54 - 58. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/31844 | - |
| dc.description.abstract | В статье представлена система классификации звуков окружающей среды и результаты
сравнения производительности с другими системами на звуковой базе ESC 10. В представленной
системе формирование признаков звукового сигнала осуществляется с помощью модели внутреннего
уха и импульсов слухового нерва. Классификация звуков осуществляется с помощью различных
конфигураций сверточных нейронных сетей. Доля правильных ответов классификации значительно
выше результатов оригинальной статьи звуковой базы ESC 10. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | доклады БГУИР | ru_RU |
| dc.subject | внутреннее ухо | ru_RU |
| dc.subject | формирование признаков | ru_RU |
| dc.subject | классификация звуков | ru_RU |
| dc.subject | сверточные нейронные сети | ru_RU |
| dc.subject | ESC 10 | ru_RU |
| dc.subject | cochlea | ru_RU |
| dc.subject | auditory nerve spikes | ru_RU |
| dc.subject | feature extraction | ru_RU |
| dc.subject | sound classification | ru_RU |
| dc.subject | convolutional neuron networks | ru_RU |
| dc.title | Система классификации звуков окружающей среды | ru_RU |
| dc.title.alternative | Environmental sound classification system | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | This paper presents environmental sound classification system and performance comparison
on ESC 10 dataset. The feature extraction method includes cochlea and auditory nerve models. Classification
model includes classic convolutional neuron network architectures. Experiments based on different architectures
of convolutional neural networks and proposed feature extraction method. The model outperforms baseline
implementations and achieves results comparable to other state-of-the-art approaches. | - |
| Appears in Collections: | №3 (113)
|
