|
|
|
|
\section{Πως σκοπεύουμε να το κάνουμε εμείς}
|
|
|
|
|
|
|
|
|
|
Πλάνο επίθεσης
|
|
|
|
|
|
|
|
|
|
Μετά από μελέτη των προηγούμενων υλοποιήσεων και πειραματισμό με την
|
|
|
|
|
εξαγωγή διάφορων χαρακτηριστικών (features) [και καλά ;)] κλπ κλπ
|
|
|
|
|
αποφασίσαμε να ακολουθήσουμε την παρακάτω πορεία αντιμετώπισης του
|
|
|
|
|
προβλήματος:
|
|
|
|
|
|
|
|
|
|
\begin{enumerate}[noitemsep]
|
|
|
|
|
\item Τι παραθυροποίηση θα κάνουμε (λογικά την κλασική
|
|
|
|
|
hamming... φαίνεται να είναι ψιλοστάνταρ)
|
|
|
|
|
\item Ποια features σκοπεύουμε να χρησιμοποιήσουμε; (γιατί;)
|
|
|
|
|
Χαρακτηριστικά από το πεδίο του χρόνου, το πεδίο της συχνότητας, το
|
|
|
|
|
cepstral πεδίο, άλλα…
|
|
|
|
|
\item Γενικά MFCC + MPEG-7 audio descriptors + ίσως κάνα δυο ακόμα
|
|
|
|
|
είναι υπέρ-αρκετά
|
|
|
|
|
\item Τι μοντέλο/μοντέλα θα δοκιμάσουμε; (γιατί;)
|
|
|
|
|
\item Stack (python/R, τι βιβλιοθήκες/kits για τα μοντέλα;)
|
|
|
|
|
\end{enumerate}
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Διάφορα features από τη βιβλιογραφία:
|
|
|
|
|
|
|
|
|
|
M. Kashif Saeed Khan · Wasfi G. Al-Khatib
|
|
|
|
|
Machine-learning based classification of speech and music
|
|
|
|
|
|
|
|
|
|
\begin{enumerate}[noitemsep]
|
|
|
|
|
\item Percentage of low energy frames
|
|
|
|
|
\item Roll off point
|
|
|
|
|
\item Spectral
|
|
|
|
|
flux
|
|
|
|
|
\item Zero crossing rate
|
|
|
|
|
\item Spectral centroid
|
|
|
|
|
\item 4Hz modulation
|
|
|
|
|
energy
|
|
|
|
|
\item Variance of the roll off point
|
|
|
|
|
\item Variance of the spectral
|
|
|
|
|
centroid
|
|
|
|
|
\item Variance of the spectral flux
|
|
|
|
|
\item Cepstral residual
|
|
|
|
|
\item Variance of the cepstral residual
|
|
|
|
|
\end{enumerate}
|
|
|
|
|
|
|
|
|
|
\begin{enumerate}[noitemsep]
|
|
|
|
|
\item Cepstral coefficients
|
|
|
|
|
\item Delta cepstral coefficients
|
|
|
|
|
\item Harmonic coefficients
|
|
|
|
|
\item 4 Hz harmonic coefficients
|
|
|
|
|
\item Log energy
|
|
|
|
|
\end{enumerate}
|
|
|
|
|
\begin{enumerate}[noitemsep]
|
|
|
|
|
\item Line spectral frequencies (LSF)
|
|
|
|
|
\item Differential LSF, the successive differences of LSF
|
|
|
|
|
\item LSF with the zero crossing count of the filtered input signal
|
|
|
|
|
\item LSF with Linear prediction zero crossing ratio, the ratio of the
|
|
|
|
|
zero crossing count (ZCC) of the input and the ZCC of the output of
|
|
|
|
|
the LP analysis filter
|
|
|
|
|
\end{enumerate}
|
|
|
|
|
|
|
|
|
|
---
|
|
|
|
|
|
|
|
|
|
Environmental sound recognition: a survey
|
|
|
|
|
sachin chachada
|
|
|
|
|
|
|
|
|
|
\begin{enumerate}[noitemsep]
|
|
|
|
|
\item Zero crossings
|
|
|
|
|
\item Amplitude
|
|
|
|
|
\item Power
|
|
|
|
|
\item Auto-regression
|
|
|
|
|
\item Adaptive time frequency decomposition
|
|
|
|
|
\item Short time Fourier
|
|
|
|
|
\item Brightness
|
|
|
|
|
\item Tonality
|
|
|
|
|
\item Loudness
|
|
|
|
|
\item Pitch
|
|
|
|
|
\item Chroma
|
|
|
|
|
\item Harmonicity
|
|
|
|
|
\item Perceptual filter bank
|
|
|
|
|
\item Advanced auditory model
|
|
|
|
|
\item (Cepstral) auto-regression
|
|
|
|
|
\item Rythm
|
|
|
|
|
\item Phase space
|
|
|
|
|
\item Eigen domain
|
|
|
|
|
\end{enumerate}
|
|
|
|
|
|
|
|
|
|
---
|
