Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/26345
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Тимошенко Денис Максимович | ru_RU |
dc.contributor.advisor | Timosenko Denis Maksimovic | en_GB |
dc.contributor.author | Доржиев Зоригто Жаргалович | ru_RU |
dc.contributor.author | Dorziev Zorigto Zargalovic | en_GB |
dc.contributor.editor | Гришкин Валерий Михайлович | ru_RU |
dc.contributor.editor | Griskin Valerij Mihajlovic | en_GB |
dc.date.accessioned | 2021-03-24T15:24:55Z | - |
dc.date.available | 2021-03-24T15:24:55Z | - |
dc.date.issued | 2020 | |
dc.identifier.other | 040219 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/26345 | - |
dc.description.abstract | В данной работе рассматривается задача классификации аудио информации, а также применяется архитектура свёрточных нейронной сетей, которая достигает хороших результатов в других прикладных задачах. Помимо этого, описывается реализация алгоритма извлечения характеристик, скачивания и подготовки данных. Для повышения качества работы классификатора представлены методы увеличения объёма данных и регуляризации. Веса нейронной сети, которая предварительно обучается на большом наборе данных, используются для небольшого узкоспециализированного набора городских звуков. Полученные модели сравниваются по точности и времени обучения в задачах бинарной классификации и мультиклассификации. | ru_RU |
dc.description.abstract | In this work we consider the audio classification task and use the architecture of convolutional neural network that achieve high results in other applications. In addition, we describe the implementation of the algorithm for extracting features, downloading and preprocessing the data. Methods for data augmentation and regularization are introduced to improve the quality of the classifier. We train the model on a large dataset and use the weights of the pretrained model for a small dataset of urban sounds. The resulting models are compared in terms of accuracy and training time for binary classification and multiclassification. | en_GB |
dc.language.iso | ru | |
dc.subject | анализ аудио | ru_RU |
dc.subject | распознавание звуковых событий | ru_RU |
dc.subject | передача обучения (transfer learning) | ru_RU |
dc.subject | свёрточные нейронные сети | ru_RU |
dc.subject | audio analysis | en_GB |
dc.subject | sound event detection | en_GB |
dc.subject | transfer learning | en_GB |
dc.subject | convolutional neural networks | en_GB |
dc.title | Audio data analysis and event recognition for security systems | en_GB |
dc.title.alternative | Анализ аудиоданных и распознавание событий для систем безопасности | ru_RU |
Располагается в коллекциях: | MASTER'S STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
VKR_Dorziev_2020.pdf | Article | 994,93 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Dorzhiev_review.pdf | ReviewSV | 4,98 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_OTZYV_Dorziev.pdf | ReviewSV | 79,51 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.