文献

J-GLOBAL ID：202002262447720796   整理番号：20A1526081

AReN:脳触発表現を用いた音イベント認識のための深層学習アプローチ【JST・京大機械翻訳】

AReN: A Deep Learning Approach for Sound Event Recognition Using a Brain Inspired Representation

著者 (4件)： Greco Antonio (Department of Information Engineering, Electrical Engineering and Applied Mathematics, University of Salerno, Fisciano, Italy) ,  Petkov Nicolai (Faculty of Science and Engineering, University of Groningen, CP, Groningen, The Netherlands) ,  Saggese Alessia (Department of Information Engineering, Electrical Engineering and Applied Mathematics, University of Salerno, Fisciano, Italy) ,  Vento Mario (Department of Information Engineering, Electrical Engineering and Applied Mathematics, University of Salerno, Fisciano, Italy)
資料名： IEEE Transactions on Information Forensics and Security  (IEEE Transactions on Information Forensics and Security)
巻： 15  ページ： 3610-3624  発行年： 2020年 
JST資料番号： W1570A  ISSN： 1556-6013  CODEN： ITIFA6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オーディオ監視は,最近,幅広い関心を集めている。これは,この種のシステムが単独で,あるいはビデオベースのアルゴリズムと組み合わせることができる多数の状況に起因する。本論文では,オーディオ監視(すなわち,スクリーム,壊れたガラスおよびガンショット)の文脈において,関心のイベントを自動的に認識するための深層学習法を提案した。オーディオストリームをガンマトーン画像によって表現した。ガンマトーングラム表現のセクションを送り出す21層CNNを提案した。このCNNの出力において,クラスに対応するユニットがある。問題駆動データ増強を利用して,AReNと呼ぶCNNを訓練し,異なる信号対雑音比で得た音により抽出したガンマトーン画像を用いて訓練データセットを拡張した。著者らは,自由に利用可能な3つのデータセット,すなわちSESA,MIVIA AudioイベントおよびMIVIA道路事象を用いて実験を行い,それぞれ91.43%,99.62%および100%の認識率を達成した。提案手法を,従来の機械学習方法論と深層学習の両方に基づく最新の手法と比較した。比較は,認識率に関して既存の方法より優れている,提案した方式の有効性を確認した。提案したネットワークが雑音に対して弾力性があると実験的に証明し,偽陽性率を大幅に低減でき,異なるシナリオで一般化できる。さらに,AReNは標準CPU上で1秒あたり5つのオーディオフレームを処理でき,その結果,実際のオーディオ監視アプリケーションに適している。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  アルゴリズム ,  ガラス ,  雑音 ,  ネットワーク ,  *音響 ,  弾性 ,  道路 ,  クリーム ,  録画装置 ,  オーディオ機器 ,  応用プログラム ,  機械学習
準シソーラス用語： 訓練データ ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 脳 ,  表現 ,  音 ,  イベント ,  深層学習