Використання глибинного навчання у задачах класифiкацiї звукiв навколишнього середовища

Abstract

У данiй статтi розглянуто рiзнi аспекти, пов’язанi з розпiзнаванням звукiв навколи- шнього середовища, що є прикладною задачею в багатьох сферах дiяльностi людини. На вiдмiну вiд музики та мови, звук навколишнього середовища насичений шумом i не має ритму та мелодiї музики або семантичної послiдовностi мови. Це ускладнює пошук спiльних рис серед звукових сигналiв навколишнього середовища. У даному до- слiдженнi розв’язання задачi розпiзнавання звукiв базуються на використаннi методiв класифiкацiї зображень. Для цього виконується перетворення кожного аудiо-запису вибiрки у спецiальнi зображення — спектрограму Мела, що є його компактним iнфор- мативним вiзуальним представленням. Щоб пiдвищити точнiсть розпiзнавання зву- кiв, дослiджуються рiзнi методи збiльшення навчального набору даних. В основi цих методiв лежить створення нових екземплярiв аудiозаписiв шляхом деформацiї iсную- чих. За допомогою такого пiдходу ми можемо збiльшити в рази кiлькiсть елементiв набору даних, таким чином вирiшити проблему його обмеженостi. Для класифiкацiї звукiв навколишнього середовища з набору аудiоданих UrbanSound8K було викори- стано глибинну згорткову нейронну мережу. Щоб оцiнити якiсть (точнiсть та втрати) представленої моделi було застосовано 10-кратну перехресну перевiрку. Ключовi слова: класифiкацiя, звуки навколишнього середовища, збiльшення даних, спектрограма, згорткова нейронна мережа.

Environmental sound recognition is an applied problem in many spheres of human activity. Unlike music and speech, ambient sound is saturated with noise and lacks the rhythm and melody of music or the semantic consistency of speech. This makes it difficult to find common features among environmental sound signals. In order to improve the accuracy of sound recognition, this paper proposes different methods for increasing the training data set. The basis of these methods is the creation of new instances of audio recordings by deformation of existing ones. Using this approach, we can increase the number of data set elements several times and solve the problem of its limitation. In order to convert the data sample into an image, the Mel spectrogram is used, which is a compact informative representation of the audio signal, which is convenient to use in further work. A deep convolutional neural network was used to classify environmental sound from the UrbanSound8K audio dataset. A 10-fold cross-validation was applied to assess the quality (accuracy and loss) of the presented model. Keywords: classification, environmental sounds, data augmentation, spectrogram, convolutional neural network.