CN116631386B 一种基于融合通道注意力机制的残差模块的声音事件定位与识别方法 （桂林理工大学）_第1页
CN116631386B 一种基于融合通道注意力机制的残差模块的声音事件定位与识别方法 （桂林理工大学）_第2页
CN116631386B 一种基于融合通道注意力机制的残差模块的声音事件定位与识别方法 （桂林理工大学）_第3页
CN116631386B 一种基于融合通道注意力机制的残差模块的声音事件定位与识别方法 （桂林理工大学）_第4页
CN116631386B 一种基于融合通道注意力机制的残差模块的声音事件定位与识别方法 （桂林理工大学）_第5页
已阅读5页，还剩7页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于融合通道注意力机制的残差模块本发明提供一种基于融合通道注意力机制采用了SE残差块对网络的特征提取能力和空间21.一种基于融合通道注意力机制的残差模块的声音事件定位与识别方法，其特征在AmbisonicsFOA格式信号，然后对数据进行预处理得到多通道的对数梅尔频谱和FOA强度步骤二：特征提取，将步骤一得到的对数梅尔普图和强2.根据权利要求1所述的基于融合通道注意力机制的残差模块的声音事件定位与识别3.根据权利要求1所述的基于融合通道注意力机制的残差模块的声音事件定位与识别4.根据权利要求1所述的基于融合通道注意力机制的残差模块的声音事件定位与识别5.根据权利要求1所述的基于融合通道注意力机制的残差模块的声音事件定位与识别34[0003]近年来，深度学习技术的快速发展为解决声音事件定位和检测带来了新的机[0007]步骤一：声事件数据集的采集与预处理，采集多通道的音频数据集，使用一阶5算每个STFT频段的声学强度矢量的空间特征，并被聚合到类似数量的Mel频带中为网络提[0016]作为技术方案的优选，步骤五中，该模型使用多任务学习框架来同时学习SED和[0018]1、本发明提供一种基于融合通道注意力机制的残差模块的声音事件定位与识别6[0024]下面通过实施例对本发明做进一步地详细说明,这些实施例仅用来说明本发明，[0025]如图1所示，本发明提供一种基于融合通道注意力机制的残差模块的声音事件定[0026]音频数据集的采集使用Kinect2.0[0027](1)音频数据的预处理：将采集到数据保存为四通道的FOA格式，采样频率为行测试搭建时域卷积神经网络对音频数据进行训练，将SED和SEL任务的损失函数结合起

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论