(Обратитесь к сотрудничеству над проектами) В этом посте я расскажу об использовании глубокого обучения, чтобы классифицировать аудио по категориям. В качестве примера я попробую классифицировать звуки плача ребенка. Это было не только забавным упражнением по использованию CNN для классификации звука, но и практической полезностью при создании монитора, чтобы информировать родителей о том, что их ребенок плачет. Создание набора данных Первым шагом к созданию классификатора было..

Обнаружение звука или голоса стало популярной и важной задачей в области обработки аудиосигналов. Применение обнаружения звука широко используется в различных областях, таких как автоматическое распознавание речи, обнаружение аудиособытий, распознавание говорящих, классификация музыки и т. д. В этом блоге демонстрируется использование глубоких нейронных сетей для обнаружения звука с использованием широко используемого набора данных UrbanSound8k в область обработки звукового сигнала...

Содержание- Постановка задачи Цель/ограничение реального мира Источник данных и обзор Показатели эффективности Существующее решение Подход к первому разрезу Исследовательский анализ данных Предварительная обработка и проектирование функций Моделирование Развертывание Будущая работа Ссылка Давайте начнем 1. Постановка задачи- Услышать вид в тропическом лесу гораздо проще, чем увидеть его, и это то, что мы собираемся сделать в этом примере. Мы будем строить модель, которая..

Пояснение к реализации демонстрационного приложения В этом руководстве описывается, как обрабатывать аудиофайлы в Android, чтобы использовать их в моделях глубокого обучения, созданных с помощью TensorFlow. Запуск TensorFlow Lite и последующий прогресс сократили дистанцию ​​между мобильной разработкой и искусственным интеллектом. И не удивляйтесь, если со временем магазины приложений будут наводнены приложениями на базе искусственного интеллекта / машинного обучения. С мобильными..

Учебник по глубокому обучению для классификации аудио с использованием tensorflow Сверточные нейронные сети CNN или сверточные нейронные сети - это тип алгоритма глубокого обучения, который действительно хорошо распознает изображения. Это потому, что они могут изучать шаблоны, которые являются инвариантными и имеют пространственную иерархию (F. Chollet, 2018). Это означает, что если CNN узнает собаку в левом углу изображения выше, то он сможет идентифицировать собаку..