Файл: Направление подготовки 09. 03. 04 Программная инженерия.docx

Скачать файл
Заказать решение

ВУЗ: Не указан

Категория: Не указан

Дисциплина: Не указана

Добавлен: 29.10.2023

Просмотров: 752

Скачиваний: 2

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.

СОДЕРЖАНИЕ

Реферат

Содержание

Введение

Сверточные нейронные сети

Рекуррентные нейронные сети

Генеративно-состязательные нейронные сети

Существующие наборы данных в области обработки аудиовизуальной информации

Цели и задачи учебно-исследовательской работы

Нейросетевая модель генерации аудиоинформации на основе видеоин- формации

Архитектура нейросетевых моделей используемых для генерации аудио- информации на основе видеоинформации

Выводы

Выводы

Выводы

Заключение

Список литературы

А. VideoEncoder

В. AudioEncoder

Г. Генератор

Д. Дискриминатор

Е. Тренировка нейросетевого компонента

Выводы

Вданномразделебылоописанопроведениеэкспериментальногоисследованияпредлага- емого модуля генерации аудиоинформации на основе видеозаписи, а именно:

  1. Описаны данные, используемые в эксперименте.

  2. Описана методика проведение эксперимента.

  3. Описаны результаты проведения эксперимента.
Рис.4.8–Тестгенерациимел-спектрограммывидео1Рис.4.9–Тестгенерациимел-спектрограммывидео2

Заключение

Впроцессеработыбылапроанализированапроблемнаяобластьгенерацииаудиоинформа- ции на основе видеозаписи - были описаны существующие подходы к решению задач и при- меняемые технологии. В качестве подхода для дальнейшей реализации было выбрано созда- ние нейросетевого модуля, использующего технологии сверточных, рекуррентных и генеративно- созтязательный нейронных сетей.Такжебылразработанметодгенерацииаудиоинформациинаосновевидеозаписи,осно- ванный на технологии нейронных сетей - была описана логика взаимодействие нейросетевых компонентов и архитектура каждого из них.Была описана общая архитектуры модуля, которая включает в себя обрабатывающий ком- понент,реализующийобработкувходныхданныхвформат,необходимыйдлянейросетевого компонентаинейросетевойкомпонент,выполняющийосновнуюзадачу

модуля; описан ход разработки и применяемые инструментальные средства.

Также была приведена экспериментальная оценка эффективности предлагаемого модуля - описан процесс проведения и ход эксперимента, продемонстрированы основные результаты. Предполагаемыми направлениями для будущей работы являются повышение эффектив-

ности работы модуля и интеграция с другими программными компонентами.

Список литературы


  1. Aytar Y., VondrickC., TorralbaA.Soundnet: Learning sound representations from unlabeled video // Advances in Neural Information Processing Systems. — 2016.

  2. Generating Visually Aligned Sound from Videos / P. Chen [и др.]. — 2020. — eprint: arXiv: 2008.00820.

  3. Visual to Sound: Generating Natural Sound for Videos in the Wild / Y. Zhou [и др.]. — 2017. — eprint: arXiv:1712.01393.

  4. Deep Audio-Visual Speech Recognition / T. Afouras [и др.]. — 2018. — DOI: 10.1109/TPAMI. 2018.2889052. — eprint: arXiv:1809.02108.

  5. Relation Attention for Temporal Action Localization / P. Chen [и др.] // IEEE Transactions on Multimedia. — 2020. — Т. 22, № 10. — С. 2723—2733. — DOI: 10.1109/TMM.2019.2959977.

  6. Breaking Winner-Takes-All: Iterative-Winners-Out Networks for Weakly Supervised Temporal Action Localization / R. Zeng [и др.] // IEEE Transactions on Image Processing. — 2019. — Т. 28,
№12.—С.5797—5808.—DOI:10.1109/TIP.2019.2922108.

  1. Graph Convolutional Networks for Temporal Action Localization / R. Zeng [и др.]. — 2019. — eprint: arXiv:1909.03252.

  2. Closed-Loop Matters: Dual Regression Networks for Single Image Super-Resolution / Y. Guo [и др.] // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). — IEEE, 06.2020. — DOI: 10.1109/cvpr42600.2020.00545. — URL: https://doi.org/10.1109/ cvpr42600.2020.00545.

  3. WaveNet: A Generative Model for Raw Audio / A. van den Oord [и др.] // Arxiv. — 2016. — URL:
https://arxiv.org/abs/1609.03499.

  1. SampleRNN: An Unconditional End-to-End Neural Audio Generation Model / S. Mehri [и др.]. — 2016. — eprint: arXiv:1612.07837.

  2. Ambient Sound Provides Supervision for Visual Learning / A. Owens [и др.] // Computer Vision – ECCV 2016. — Springer International Publishing, 2016. — С. 801—816. — DOI: 10.1007/978- 3-319-46448-0_48. — URL: https://doi.org/10.1007/978-3-319-46448-0_48.

  3. Learning Multimodal Dictionaries / G. Monaci [и др.] // IEEE Transactions on Image Processing. — 2007. — Т. 16, № 9. — С. 2272—2283. — DOI: 10.1109/TIP.2007.901813.

  4. Harwath D., Torralba A., Glass J.Unsupervised Learning of Spoken Language with Visual Context // Advances in Neural Information Processing Systems. Т. 29 / под ред. D. Lee [и др.]. — Curran Associates, Inc., 2016. — URL: https://proceedings.neurips.cc/paper/2016/file/ 82b8a3434904411a9fdc43ca87cee70c-Paper.pdf.

  5. ArandjelovicR., ZissermanA.Look, Listen and Learn // 2017 IEEE/CVF International Conference on Computer Vision (ICCV). — 10.2017. — С. 609—617. — DOI: 10.1109/ICCV.2017.73.

  6. The Sound of Pixels / H. Zhao [и др.] // Computer Vision – ECCV 2018. — Springer International Publishing, 2018. — С. 587—604. — DOI: 10.1007/978-3-030-01246-5_35. — URL: https:
//doi.org/10.1007/978-3-030-01246-5_35.

  1. The Sound of Motions / H. Zhao [и др.] // 2019 IEEE/CVF International Conference on Computer Vision (ICCV). — 2019. — С. 1735—1744. — DOI: 10.1109/ICCV.2019.00182.

  2. Music Gesture for Visual Sound Separation / C. Gan [и др.] // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). — 2020. — С. 10475—10484. — DOI: 10.1109/ CVPR42600.2020.01049.

  3. Self-supervised Moving Vehicle Tracking with Stereo Sound / C. Gan [и др.]. — 2019. — eprint:
arXiv:1910.11760.

  1. Self-Supervised Audio-Visual Co-Segmentation / A. Rouditchenko [и др.]. — 2019. — eprint: arXiv: 1904.09013.

  2. Look, Listen, and Act: Towards Audio-Visual Embodied Navigation / C. Gan [и др.]. — 2019. — eprint: arXiv:1912.11684.

  3. Comparing recurrent convolutional neural networks for large scale bird species classification /
G. Gupta [и др.] // Scientific Reports. — 2021. — Авг. — Т. 11, № 1. — DOI: 10.1038/s41598-021-96446-w.—URL:https://doi.org/10.1038/s41598-021-96446-w.

  1. Convolutional Recurrent Neural Networks for Polyphonic Sound Event Detection / E. Çakır [и др.]. — 2017. — DOI: 10.1109/TASLP.2017.2690575. — eprint: arXiv:1702.06286.

  2. Attention based convolutional recurrent neural network for environmental sound classification /
Z.Zhang[идр.]//Neurocomputing.—2021.—Т.453.—С.896—903.—ISSN0925-2312.— DOI:https://doi.org/10.1016/j.neucom.2020.08.069.—URL:https://www. sciencedirect.com/science/article/pii/S0925231220313618.

  1. ШоллеФ.Глубокое обучение на Python. — Санкт-Петербург: Питер, 2019.

  2. Гафаров Ф., Галимянов А. Искусственные нейронные сети и их приложения. — Издатель- ство Казанского университета, 2018.

  3. HochreiterS., SchmidhuberJ.Long Short-Term Memory // Neural Computation. — 1997. — Нояб. — Т. 9, № 8. — С. 1735—1780. — DOI: 10.1162/neco.1997.9.8.1735. — URL: https://doi. org/10.1162/neco.1997.9.8.1735.

  4. LiptonZ.C., BerkowitzJ., ElkanC.A Critical Review of Recurrent Neural Networks for Sequence Learning. — 2015. — eprint: arXiv:1506.00019.

  5. Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space /
A.Nguyen[идр.].—2016.—eprint:arXiv:1612.00005.

  1. Generative Adversarial Text to Image Synthesis / S. Reed [и др.]. — 2016. — eprint: arXiv:1605. 05396.

  2. Generative Adversarial Networks / I. Goodfellow [и др.] // Advances in Neural Information Processing Systems. — 2014. — Июнь. — Т. 3. — DOI: 10.1145/3422622.

  3. АфонскийА. А., ДьяконовВ. П. Цифровые анализаторы спектра, сигналов и логики / под ред. В. П. Дьяконовa. — М. : СОЛОН-Пресс, 2009.

  4. Слюсар В. Современные тренды радиорелейной связи // Технологии и средства связи. — 2014. — Т. 3. — С. 32—36.

  5. StevensS.S., VolkmannJ., NewmanE.B.A Scale for the Measurement of the Psychological Magnitude Pitch // The Journal of the Acoustical Society of America. — 1937. — Янв. — Т. 8, № 3. — С. 185—
190.—DOI:10.1121/1.1915893.—URL:https://doi.org/10.1121/1.1915893.

  1. YFCC100M: The New Data in Multimedia Research / B. Thomee [и др.] // Communications of the ACM. — 2016. — Т. 59, № 2. — С. 64—73. — URL: http://cacm.acm.org/magazines/2016/2/ 197425-yfcc100m/fulltext.

  2. Audio Set: An ontology and human-labeled dataset for audio events / J. F. Gemmeke [и др.] // Proc. IEEE ICASSP 2017. — New Orleans, LA, 2017.

  3. A corpus of audio-visual Lombard speech with frontal and profile views / N. Alghamdi [и др.] // The Journal of the Acoustical Society of America. — 2018. — Июнь. — Т. 143, № 6. — EL523— EL529. — DOI: 10.1121/1.5042758. — URL: https://doi.org/10.1121/1.5042758.

  4. Looking to listen at the cocktail party / A. Ephrat [и др.] // ACM Transactions on Graphics. — 2018. — Авг. — Т. 37, № 4. — С. 1—11. — DOI: 10.1145/3197517.3201357. — URL: https:

Смотрите также файлы