상세 보기
MFCC 기반 환경음 분류 CNN에서 커널 사이즈와 풀링 레이어에 의한 성능분석
Performance analysis by kernel size and pooling layer in MFCC-based environmental sound classification CNN
- 정윤아;
- 김동회
초록
오디오 분류에 대한 연구는 청각장애인 및 고령층의 더 나은 삶과 오디오 관련 산업의 발전을 위하여 활발히 진행되고 있다. CNN은 오디오 분류에 사용되는 신경망 중 하나로, 입력 데이터의 특징을 스스로 학습하여 이미지를 분류할 때 주로 활용된다. 커널 사이즈와 풀링은 합성곱 신경망에서 파라미터 개수의 설정에 영향을 미치는 중요한 변수이다. 본 논문에서는 환경음 분류 연구에서 많이 사용되는 오디오 데이터 셋 UrbanSound8K에서 MFCC를 추출하여 CNN에 학습을 진행했다. 세 가지 CNN 시나리오를 설정하고, 각 시나리오에서 커널 사이즈와 풀링 레이어의 개수를 변화시키며 두 값과 정확도 및 파라미터 수의 관계를 알아보는 실험을 진행하였다. 실험을 통해 커널 사이즈와 풀링 레이어의 개수를 증가시킬수록 정확도 및 파라미터가 개선되었음을 확인하였다.
키워드
인공지능; 딥러닝; 합성곱 신경망; 파이썬; 소리 분류; Artificial Intelligence; Deep Learning; Convolution Neural Network; Python; Sound classification
- 제목
- MFCC 기반 환경음 분류 CNN에서 커널 사이즈와 풀링 레이어에 의한 성능분석
- 제목 (타언어)
- Performance analysis by kernel size and pooling layer in MFCC-based environmental sound classification CNN
- 저자
- 정윤아; 김동회
- 발행일
- 2022-05
- 유형
- Y
- 저널명
- 디지털콘텐츠학회논문지
- 권
- 23
- 호
- 5
- 페이지
- 913 ~ 920