用于噪声环境下音频签名分析的 LSTM-CNN 网络
声音
2024-07-23 v1 人工智能
人机交互
音频与语音处理
摘要
在工作、展览、商场、销售和工业应用中，自动统计人数并识别其性别有多种应用。尽管当前的语音检测方法在大多数情况下应该运行良好，但除了性别之外，当前说话人的数量通常是未知的，并且由于可能存在的类别过多，分类方法并不适用。在本研究中，我们专注于长短期记忆卷积神经网络（LSTM-CNN），以提取声音数据中依赖于时间和/或频率的特征，从而估计噪声环境中每一帧同时活跃说话人的数量/性别。考虑到说话人的最大数量为 10，我们利用了 19000 个音频样本进行学习，这些样本包含了公共城市、工业场景、商场、展览、工作场所和自然环境中男性、女性和背景噪声的多种组合。这一概念验证表明了良好的性能，在检测数量和性别时的训练/验证 MSE 值约为 0.019/0.017。
引用
@article{arxiv.2312.07059,
title = {LSTM-CNN Network for Audio Signature Analysis in Noisy Environments},
author = {Praveen Damacharla and Hamid Rajabalipanah and Mohammad Hosein Fakheri},
journal= {arXiv preprint arXiv:2312.07059},
year = {2024}
}
备注
10th Annual Conf. on Computational Science & Computational Intelligence (CSCI'23)