Fugu-MT 論文翻訳(概要): Dynamic HumTrans: Humming Transcription Using CNNs and Dynamic Programming

論文の概要: Dynamic HumTrans: Humming Transcription Using CNNs and Dynamic Programming

arxiv url: http://arxiv.org/abs/2410.05455v1
Date: Mon, 7 Oct 2024 19:40:39 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 18:37:46.429638
Title: Dynamic HumTrans: Humming Transcription Using CNNs and Dynamic Programming
Title（参考訳）: Dynamic HumTrans: CNNと動的プログラミングを用いたハミング転写
Authors: Shubham Gupta, Isaac Neri Gomez-Sarmiento, Faez Amjed Mezdari, Mirco Ravanelli, Cem Subakan,
Abstract要約: 本稿では,CNNに基づくアーキテクチャと動的プログラミングに基づくアルゴリズムを組み合わせることで,文字をハミングする新しい手法を提案する。データセットが提供するオフセットのポストセットとグラウンドのオンセットで固有の問題に対処し、これらのアノテーションを改善するための真実を提供します。
参考スコア（独自算出の注目度）: 27.826172355414897
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a novel approach for humming transcription that combines a CNN-based architecture with a dynamic programming-based post-processing algorithm, utilizing the recently introduced HumTrans dataset. We identify and address inherent problems with the offset and onset ground truth provided by the dataset, offering heuristics to improve these annotations, resulting in a dataset with precise annotations that will aid future research. Additionally, we compare the transcription accuracy of our method against several others, demonstrating state-of-the-art (SOTA) results. All our code and corrected dataset is available at https://github.com/shubham-gupta-30/humming_transcription
Abstract（参考訳）: 本稿では,最近導入されたHumTransデータセットを用いて,CNNベースのアーキテクチャと動的プログラミングに基づく後処理アルゴリズムを組み合わせた書き起こし手法を提案する。我々は、これらのアノテーションを改善するためのヒューリスティックスを提供し、将来の研究に役立つ正確なアノテーションを持つデータセットを提供する、データセットのオフセットおよびオンセット基底真理に関する固有の問題を特定し、対処する。さらに,本手法の転写精度を他のいくつかの方法と比較し,SOTA(State-of-the-art)の結果を示した。コードと修正済みのデータセットはすべてhttps://github.com/shubham-gupta-30/humming_transcriptionで利用可能です。

関連論文リスト

iKUN: Speak to Trackers without Retraining [21.555469501789577]
市販トラッカーとの通信を実現するため,iKUNと呼ばれる挿入可能な知識統一ネットワークを提案する。局所化精度を向上させるために,プロセスノイズを動的に調整するKalman filter (NKF) のニューラルバージョンを提案する。また、パブリックなDanceTrackデータセットをモーションとドレッシング記述で拡張することで、より困難なデータセットであるRefer-Danceにもコントリビュートしています。
論文参考訳（メタデータ） (2023-12-25T11:48:55Z)
GEC-DePenD: Non-Autoregressive Grammatical Error Correction with Decoupled Permutation and Decoding [52.14832976759585]
文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。 GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
論文参考訳（メタデータ） (2023-11-14T14:24:36Z)
GECTurk: Grammatical Error Correction and Detection Dataset for Turkish [1.804922416527064]
文法的誤り検出・訂正(GEC)ツールは、母語話者と第二言語学習者にとって有用であることが証明されている。合成データ生成は、そのようなデータの不足を克服するための一般的なプラクティスである。トルコ語のためのフレキシブルで総合的なデータ生成パイプラインを提案し、20以上の専門家による文法と綴り規則をカバーしている。
論文参考訳（メタデータ） (2023-09-20T14:25:44Z)
Bridging the Domain Gaps in Context Representations for k-Nearest Neighbor Neural Machine Translation [57.49095610777317]
$k$-Nearestの隣人機械翻訳($k$NN-MT)は、新しい翻訳ドメインに非パラメトリックに適応する能力によって注目を集めている。本稿では,元のデータストアを再構築することで,$k$NN-MTのデータストア検索を高速化する手法を提案する。提案手法は,$k$NN-MTのデータストア検索と翻訳品質を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-26T03:04:42Z)
Nearest Neighbor Non-autoregressive Text Generation [19.894564926971096]
非自己回帰モデル(NAR)は、自己回帰モデルよりも少ない計算量で文を生成することができるが、生成品質を犠牲にする。本研究は,NARデコーダの初期状態として近隣住民を用いて反復的に編集することを提案する。我々は,NARテキスト生成を改善するために,近隣住民の編集操作を学習するための新しいトレーニング戦略を提案する。
論文参考訳（メタデータ） (2022-08-26T08:21:21Z)
SegTransVAE: Hybrid CNN -- Transformer with Regularization for medical image segmentation [0.0]
本稿では,SegTransVAEという新しいネットワークを提案する。 SegTransVAEはエンコーダ-デコーダアーキテクチャに基づいて構築されており、ネットワークへの可変オートエンコーダ(VAE)ブランチでトランスフォーマーを利用する。最近導入されたデータセットの評価によると、SegTransVAEはDice Scoreと95%$-Haudorff Distanceで過去の手法より優れている。
論文参考訳（メタデータ） (2022-01-21T08:02:55Z)
Adaptive Nearest Neighbor Machine Translation [60.97183408140499]
kNN-MTは、事前訓練されたニューラルネットワーク翻訳とトークンレベルのk-nearest-neighbor検索を組み合わせる。従来のkNNアルゴリズムは、ターゲットトークンごとに同じ数の近傍を検索する。ターゲットトークン毎のk個数を動的に決定する適応的kNN-MTを提案する。
論文参考訳（メタデータ） (2021-05-27T09:27:42Z)
On Addressing Practical Challenges for RNN-Transduce [72.72132048437751]
オーディオデータを収集することなく、よく訓練されたRNN-Tモデルを新しいドメインに適応します。復号時に計算された複数の特徴を利用して単語レベルの信頼度を求める。提案手法では,平均で50ms以下の単語のタイミング差が得られる。
論文参考訳（メタデータ） (2021-04-27T23:31:43Z)
Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文参考訳（メタデータ） (2020-09-09T03:28:57Z)
Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文参考訳（メタデータ） (2020-06-19T05:08:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。