지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정용주
- 발행연도
- 2019
- 저작권
- 계명대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 딥러닝(Deep Learning) 기법이 다양한 종류의 패턴 인식에 있어서 우수한 성능을 보이고 있다. 본 연구에서는 FNN(Feedforward Neural Network)과 CNN(Convolution Neural Network), RNN(Recurrent Neural Network), CRNN(Convolution Recurrent Neural Network)을 기반으로 한 4가지 DNN(Deep Neural Network) 구조를 오디오 이벤트 검출에 적용하였고, 각 시스템간의 성능을 비교하였다. 또한 DNN 훈련에 적용되는 다양한 파라메터들을 변경해가며 실험하였고, 그 결과들을 나타내었다. 오디오 데이터는 Tampere University of Technology에서 제공하는 TUT-SED 2016과 TUT-SED Synthetic 2016를 사용하였으며, 해당 데이터에는 가정 내부와 외부의 다양한 종류의 오디오를 포함하고 있다. 실험 결과 4가지 구조 중 CRNN의 오디오 검출 성능이 전반적으로 우수하였다. 반면에 FNN은 가장 좋지 못한 성능을 보였으며, CNN과 RNN은 실험 데이터와 적용된 조건에 따라 다양한 결과를 보여 우열을 가리기 힘들었다.
목차
제 1 장 서론 11.1 연구 배경 11.2 연구 방법 31.3 논문 구성 4제 2 장 배경 이론 62.1 특징 추출 62.2 CRNN의 학습과 구조 72.2.1 CRNN의 구조 82.2.2 CRNN의 학습 방법 102.2.3 배치 정규화와 드롭아웃 적용 방법 112.3 평가 방법 122.3.1 세그먼트 기반의 분석 122.3.1 이벤트 기반의 분석 132.3.1 인식 지표 계산 방법 13제 3 장 성능 평가 및 분석 153.1 실험 개요 153.2 각 조건별 DNN의 성능비교 173.2.1 TUT-SED Synthetic 2016 183.2.1.1 세그먼트 기반의 분석 결과 183.2.1.2 이벤트 기반의 분석 결과 213.2.2 TUT-SED 2016 253.2.2.1 세그먼트 기반의 분석 결과 263.2.2.2 이벤트 기반의 분석 결과 273.3 최종 인식 성능 비교 28제 4 장 결론 31참고문헌 32영문초록 35국문초록 36
최근 본 자료
댓글(0)
0