최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기디지털콘텐츠학회 논문지 = Journal of Digital Contents Society, v.18 no.1, 2017년, pp.183 - 190
임민규 (서강대학교 컴퓨터공학과) , 이동현 (서강대학교 컴퓨터공학과) , 박호성 (서강대학교 컴퓨터공학과) , 김지환 (서강대학교 컴퓨터공학과)
This paper proposes an audio event detection method using Deep Neural Networks (DNN). The proposed method applies Feed Forward Neural Network (FFNN) to generate output probabilities of twenty audio events for each frame. Mel scale filter bank (FBANK) features are extracted from each frame, and its f...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
SVM (support vector machine)과 DNN과의 차이는 무엇인가? | 이 연구에서 SVM은 shallow architecture로, DNN은 deep architecture로 구분 짓는다. SVM의 경우 커널을 통하여 차원을 줄이고, 클래스 분포를 구분짓도록 하는 선을 긋는 방식이며 이는 하나의 은닉층으로 구성되는 인공신경망의 형태로 볼 수 있다. 반면 다중 은닉층을 가지는 DNN의 경우 비선형 경계를 계층적으로 쌓기 때문에 SVM이나 단일 은닉층으로 구성된 인공신경망보다 복잡한 decision boundary를 생성할 수 있다. 한 예로, 단일 은닉층의 인공신경망은 XOR 구분 문제를 모델링 할 수 없지만, 다중 은닉층의 인공신경망으로는 구분이 가능하다. 다만 DNN 파라미터를 학습하기 위해서는 많은 자료가 필요하다. | |
DNN의 특징은 무엇인가? | DNN (deep neural network)은 다양한 머신러닝 분야에서 기존의 방법보다 높은 성능 보이는 기술로서 주목 받고 있다. DNN은 2개 이상의 은닉층으로 구성된 인공 신경망으로서 단일 은닉층의 인공 신경망보다 더 복잡하고 비선형적인 학습 경계를 구분 지을 수 있어 분류 문제에 있어 더 좋은 성능을 얻을 수 있다. 다만 DNN의 수많은 파라미터를 추정하는 데에 있어서 많은 자료량이 필요하고, 높은 연산량이 요구되어 왔다. | |
DNN을 적용하는 분야는 무엇이 있는가? | 다만 DNN의 수많은 파라미터를 추정하는 데에 있어서 많은 자료량이 필요하고, 높은 연산량이 요구되어 왔다. 최근 빅데이터의 발전, 하드웨어 기술의 발전으로 다양한 응용 분야에서 DNN을 적용하고 있다. |
L. Lu, H. Jiang, and H. Zhang, "A robust audio classification and segmentation method," in Proceeding of ACM International Conference on Multimedia, Ottawa, pp.203-211, 2001.
M. Xu, N. Maddage, C. Xu, M. Kankanhalli, and Q. Tian, "Creating audio keywords for event detection in soccer video," in Proceeding of IEEE International Conference on Multimedia and Expo, Baltimore: MD, pp.281-284, 2003.
W. Cheng, W. Chu, and J. Wu, "Semantic context v detection based on hierarchical audio models," in Proceeding of ACM SIGMM International Workshop on Multimedia Information Retrieval, Berkeley: CA, pp.109-115, 2003.
H. Lee, P. Pham, Y. Largman, and Y. Ng, "Unsupervised feature learning for audio classification using convolutional deep belief networks," in Proceeding of Advances in Neural Information Processing Systems, Vancouver, pp.1096-1104, 2009.
Y. Bengio and Y. LeCun, "Scaling learning algorithms towards AI," Large-scale Kernel Machines, Vol. 34, No.5, pp.321-360, August, 2007.
J. Portelo, M. Bugalho, I. Trancoso, J. Neto, A. Abad, and A. Serralheiro, "Non-speech audio event detection," in Proceeding of Internationa Conference on Acoustics, Speech and Signal Processing, Taipei, pp.1973-1976, 2009.
L. Ballan, A. Bazzica, M. Bertini, A. Bimbo, and G. Serra, "Deep networks for audio event classification in soccer videos," in Proceeding of International Conference on Multimedia and Expo, Cancun, pp.474-477, 2009.
T. Heittola, A. Mesaros, A. Eronen, T. Virtanen, "Scaling learning algorithms towards AI," EURASIP Journal on Audio, Speech, and Music Processing, Vol.1, pp.1-13, January, 2013.
K. Zvi, and T. Orith, "Audio event classification using deep neural networks," in Proceeding of INTERSPEECH, Lyon, pp.1482-1486, 2013.
M. Lim and J. Kim, "Audio Event Classification Using Deep Neural Networks," Phonetics and Speech Sciences, Vol. 7, No. 4, pp.27-33, January, 2015.
H. Larochelle, D. Erhan, A. Courville, J. Bergstra, and Y. Bengio, "An empirical evaluation of deep architectures on problems with many factors of variation," in Proceeding of International Conference on Machine learning, Corvaliis: OR, pp.473-480, 2007.
E. Dahl, N. Sainath, and E. Hinton, "Improving deep neural networks for LVCSR using rectified linear units and dropout," in Proceeding of International Conference on Acoustics, Speech and Signal Processing, Vancouver, pp.8609-8613, 2013.
L. Bottou, Advanced Lectures on Machine Learning, Springer, pp. 146-168, 2004.
J. Salamon, C. Jacoby, and J. Bello, "A dataset and taxonomy for urban sound research," in Proceeding of ACM International Conference on Multimedia, Orlando: FL, pp.1041-1044, 2014.
M. Slaney, "Semantic-audio retrieval," in Proceeding of International Conference on Acoustics, Speech and Signal Processing, Orlando: FL, pp.1408-1411, 2002.
S. Young, G. Evermann, M. Gales, and P. Woodland, The HTK book (for HTK version 3.4), Cambridge, U.K.: Entropic, 2006.
M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G. Corrado, A. Davis, J. Dean, M. Devin, S. Ghemawat, I. Goodfellow, A. Harp, G. Irving, M. Isard, Y. Jia, R. Jozefowicz, L. Kaiser, M. Kudlur, J. Levenberg, D. Mane, R. Monga, S. Moore, D. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K. Talwar, P. Tucker, V. Vanhoucke, V. Vasudevan, F. Viegas, O. Vinyals, P. Warden, M. Wattenberg, M. Wicke, Y. Yu, and X. Zheng, Tensorflow: Large-scale machine learning on heterogeneous distributed systems, Available: https://www.tensorflow.org/
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.