如何解决使用梅尔谱图的卷积神经网络用于罕见事件
希望有人对我要说的东西有想法。 我在实习期间遇到了四个月的问题
我的目的是创建一个模型来检测音频中的稀有声音 例如,一个2小时的音频可能包含2个或3个这种罕见事件 我无法告诉您更多有关确切主题的信息,因此对此感到抱歉(因为它是私人的)。
我必须处理几个包含一些罕见事件声音的音频文件,并使用它创建自己的数据集。所有音频文件都已注释。
为了达到这个目的,我完成了以下管道:
- 将所有音频文件切成10秒的片段并为它们添加注释
- 将它们计算为梅尔谱图
- 将它们保存到numpy文件中
- 在模型之前重新加载它们
然后我将每个“图像”标准化 并使用CNN的通用架构:
model = Sequential()
model.add(Conv2D(128,kernel_size=(5,5),activation='sigmoid',input_shape=inputShape))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(64,(5,activation='sigmoid'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(128,2)))
model.add(Flatten())
model.add(Dense(1,activation='sigmoid'))
每个步骤都应告诉您10秒钟的片段是否包含罕见事件声音。所以基本上这是一个binarry分类。
但是该模型的召回率和准确性很差。没有任何尝试可以改变这一点。 火车数据的准确率约为60%,召回率约为10%。
我已经尝试使用vgg16模型进行迁移学习,由于采样不足导致数据不均衡和数据扩充。我也改变了优化器,降低或提高了学习率,并使用了不同的损失函数
现在我的实习是昨天完成的 但是我对自己的表现感到非常沮丧。
有人有想法吗? 我做得好吗?也许不加载频谱图,而是直接使用图像而不使用频谱图数组?
解决方法
根据我的说法,MFCC功能本来是一种更好的方法,并且将其与序列网络而不是卷积网络一起使用会更好。对于序列,LSTM,RNN,Transformers等序列网络会更好。
但是,如果您仍然希望使用上述模型,则可以使用5x5滤镜,其效率要比2层3x3滤镜低。因此,减少这些以查看您的网络会发生什么。然后,您在整个网络中增加和减少了过滤器的数量,随着您越深入,过滤器的数量通常会按照增加的顺序排列。您已在整个网络中使用了S型激活,但从未实现过。乙状结肠激活应仅在预测层上。它们的其余部分应具有ReLU激活。将所有这些放在一起应该会对您的模型有很大帮助。
,虽然你的实习即将结束,但希望你能做得更好。处理音频确实具有挑战性。挑战可能如下,您应该工作/更新这些,然后检查模型的准确性。 1.数据集的大小:在这种情况下,在 2 小时音频中出现 2、3 次的稀有声音肯定会训练模型的样本数量非常少。虽然你做了增强但是增强后两个类的数据集的大小是多少?请提一下。 2。生成 Mel-Spec: 用于生成 mel-spec 的参数也非常重要 我给您示例参数:n_mels=128,n_fft=512,win_length=400,hop_length=160 3.休息你可以按照之前的回答。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。