| Titre : |
Classification semi supervisée des signaux Audio |
| Type de document : |
texte imprimé |
| Auteurs : |
Haidar Achour, Auteur ; Abdennour Benmerabet, Auteur ; F.Hachouf, Directeur de thèse |
| Editeur : |
CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine |
| Année de publication : |
2020 |
| Importance : |
60 f. |
| Format : |
30cm. |
| Note générale : |
Une copie electronique PDF disponible au BUC. |
| Langues : |
Français (fre) |
| Catégories : |
Sciences de la technologie:Electronique
|
| Tags : |
Réseaux et Télécommunications signaux audio Réseaux de neurones profond. |
| Index. décimale : |
610 Electronique |
| Résumé : |
L’apprentissage profond est un sous-ensemble de l’apprentissage machine qui a introduit une nouvelle ère technologique. Ces modèles ont été utilisés dans une grande
variété de tâches telles que la classification d’images, la reconnaissance vocale et
bien d’autres. Dans ce travail, un algorithme d’apprentissage profond est présenté
pour étiquetage audio il traite avec des données bruyantes et une supervision minimale. Les modèles utilisent deux réseaux pré-entrainés ResNet-34 et EnvNet, et ils
ont été entrainés et testés à l’aide de l’ensemble de données FSDKaggle2019 (Freesound Audio Tagging 2019). Chacun des modèles a donné des résultats différents.
Nous avons comparé ces résultats aux résultats présentés dans l’article original [1].
Termes de l’index— étiquetage audio, étiquettes bruyantes, apprentissage multitâche, apprentissage semi-supervisé, ensemble de modèles, apprentissage automatique, apprentissage en profondeur, ResNet-34, EnvNet. |
| Diplome : |
Master 2 |
| Permalink : |
https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=14534 |
Classification semi supervisée des signaux Audio [texte imprimé] / Haidar Achour, Auteur ; Abdennour Benmerabet, Auteur ; F.Hachouf, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2020 . - 60 f. ; 30cm. Une copie electronique PDF disponible au BUC. Langues : Français ( fre)
| Catégories : |
Sciences de la technologie:Electronique
|
| Tags : |
Réseaux et Télécommunications signaux audio Réseaux de neurones profond. |
| Index. décimale : |
610 Electronique |
| Résumé : |
L’apprentissage profond est un sous-ensemble de l’apprentissage machine qui a introduit une nouvelle ère technologique. Ces modèles ont été utilisés dans une grande
variété de tâches telles que la classification d’images, la reconnaissance vocale et
bien d’autres. Dans ce travail, un algorithme d’apprentissage profond est présenté
pour étiquetage audio il traite avec des données bruyantes et une supervision minimale. Les modèles utilisent deux réseaux pré-entrainés ResNet-34 et EnvNet, et ils
ont été entrainés et testés à l’aide de l’ensemble de données FSDKaggle2019 (Freesound Audio Tagging 2019). Chacun des modèles a donné des résultats différents.
Nous avons comparé ces résultats aux résultats présentés dans l’article original [1].
Termes de l’index— étiquetage audio, étiquettes bruyantes, apprentissage multitâche, apprentissage semi-supervisé, ensemble de modèles, apprentissage automatique, apprentissage en profondeur, ResNet-34, EnvNet. |
| Diplome : |
Master 2 |
| Permalink : |
https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=14534 |
|
Affiner la recherche
