Clasificación de sonido ambiental basada en técnicas de transfer-learning con múltiples optimizadores
Autores: Ashurov, Asadulla; Zhou, Yi; Shi, Liming; Zhao, Yu; Liu, Hongqing
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Clasificación de sonido ambiental basada en técnicas de transfer-learning con múltiples optimizadores
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Clasificación de sonidos ambientales
Aprendizaje por transferencia
Redes neuronales convolucionales
Modelos pre-entrenados
Hiperparámetros
Optimizadores
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
La última década ha visto un aumento en el interés por la clasificación de sonidos ambientales (ESC) debido a la creciente complejidad y rica información de los sonidos ambiente. Los métodos de vanguardia para ESC se basan en paradigmas de aprendizaje por transferencia que a menudo utilizan representaciones aprendidas de problemas comunes de clasificación de imágenes. Este estudio investigó varios hiperparámetros y optimizadores, como la tasa de aprendizaje óptima, épocas y los optimizadores Adam, Adamax y RMSprop para varios modelos pre-entrenados, como Inception, VGG, ResNet, etc.
Descripción
La última década ha visto un aumento en el interés por la clasificación de sonidos ambientales (ESC) debido a la creciente complejidad y rica información de los sonidos ambiente. Los métodos de vanguardia para ESC se basan en paradigmas de aprendizaje por transferencia que a menudo utilizan representaciones aprendidas de problemas comunes de clasificación de imágenes. Este estudio investigó varios hiperparámetros y optimizadores, como la tasa de aprendizaje óptima, épocas y los optimizadores Adam, Adamax y RMSprop para varios modelos pre-entrenados, como Inception, VGG, ResNet, etc.