최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.14 no.2, 2019년, pp.389 - 396
정석환 (계명대학교 전기전자융합시스템공학과) , 정용주 (계명대학교 전자공학과)
In this paper, various architectures of deep neural networks were applied for sound event detection and their performances were compared using a common audio database. The FNN, CNN, RNN and CRNN were implemented using hyper-parameters optimized for the database as well as the architecture of each ne...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
본 논문에서 이 분야의 연구에서 잘 알려진 오디오 데이터베이스인 TUT Sound Events Synthetic 2016 (TUT-SED Synthetic)을 사용한 이유는? | 본 논문에서는 이 분야의 연구에서 잘 알려진 오디오 데이터베이스인 TUT Sound Events Synthetic 2016 (TUT-SED Synthetic)을 사용하였다[13]. 이 데이터에는 인공적으로 만들어진 오디오 데이터가 포함 되어 있는데, 이는 자연적인 녹음을 통하여 얻을 수있는 데이터의 양의 부족을 보완하기 위함이다. 또한 인위적인 데이터를 사용함으로서 실제 환경에서 만들어진 오디오에 대한 레이블의 산정 시 주관적인 요소가 많이 들어가는 단점도 보완해 줄 수 있다. | |
소리 이벤트 검출은 어떤 기법인가? | 소리 이벤트 검출은 패턴 인식 기법을 사용하여 우리 일상에서 발생하는 다양 음향 이벤트들을 찾아내는 기법이다. 이러한 다양한 음향 이벤트들에는 유리창 깨지는 소리, 아기 울음소리, 사람들의 비명소리 및 차의 경적소리들이 포함된다. | |
FNN의 장점은 무엇인가? | FNN은 다른 딥 뉴럴 네트워크에 비해서 구조가 간단하여 더 적은 수의 파라미터를 가지고 있으며 계산량이 작다는 장점이 있다. 그러나 FNN의 구조는 입력과 히든층간의 고정된 연결로 인하여 영상 신호에서 발생되는 위치 이동 변이를 보상하기에는 다소 부적합하다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.