論文の概要: "What's That Sound?": A Versatile, Robust, and Lightweight Convolutional Transformer for Environment Sound Recognition
- arxiv url: http://arxiv.org/abs/2609.27762v1
- Date: Sun, 16 Aug 2026 06:50:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.960293
- Title: "What's That Sound?": A Versatile, Robust, and Lightweight Convolutional Transformer for Environment Sound Recognition
- Title（参考訳）: 「その音は?」 : 環境音認識のためのバーサタイル・ロバスト・軽量畳み込み変圧器
- Abstract要約: モバイルアプリは、リアルタイムの安全管理を提供するために、モデルに統合されるように開発されている。
RALCTは、聴覚障害のナビゲーションと安全性を支援する、堅牢で軽量で、手頃な価格で、汎用的なディープラーニングツールである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The conventional hearing aid is both costly and lim- ited in usage, as it is not intended to detect non-speech audio. Our objective is to develop a machine learning solution to provide a more accurate and affordable mechanism to identify surrounding sounds to improve the safety of the hearing impaired, i.e., if a car is honking behind pedestrians, or a gunshot is fired, and they need to move away from the source. By adding randomized augmentations to audio, concatenating a Mel-Frequency Cepstral Coefficients (MFCCs) diagram and a log-mel Spectrogram, and including Convolutional Neural Networks (CNNs) in a Trans- former architecture, the Randomized Audiomentational Layered Convolutional Transformers (RALCT) model efficiently extracts features from diversified audio representations. In addition, RALCT is small enough, with only approximately 310,000 parameters, to be deployed into mobile devices. Experimental results on the UrbanSound8K dataset resulted in an accuracy consistently over 93% for all variations of RALCT with the highest at 94.56%, reaching state-of-the-art levels. To leverage the capabilities of this technology, a mobile app is developed to be integrated with the model to provide real-time safety control. RALCT thus represents a robust, lightweight, affordable, and versatile deep learning tool to aid the navigation and safety of the hearing impaired.
- Abstract（参考訳）: 従来の補聴器は、非音声音声を検出することを目的としていないため、費用がかかり、かつリムに調整されている。
我々の目標は、周囲の音をより正確に、手頃な価格で識別し、聴覚障害の安全性を向上させるための機械学習ソリューションを開発することである。
音声にランダム化拡張を加え、Mel-Frequency Cepstral Coefficients (MFCCs)ダイアグラムとlog-mel Spectrogramを結合し、トランスアーキテクチャーにおける畳み込みニューラルネットワーク(CNNs)を含むことにより、ランダム化オーディオの階層化畳み込み変換器(RALCT)モデルは、多様化した音声表現から効率的に特徴を抽出する。
さらに、RALCTは、約310,000のパラメータしか持たないほど小さく、モバイルデバイスにデプロイできる。
UrbanSound8Kデータセットの実験結果は、ALCTの全変種に対して、平均94.56%の精度で安定して93%以上の精度を達成し、最先端レベルに達した。
この技術を活用するために,モバイルアプリをモデルに統合し,リアルタイムの安全管理を実現する。
RALCTは、聴覚障害のナビゲーションと安全性を支援するために、頑丈で軽量で、手頃な価格で、汎用的なディープラーニングツールである。
関連論文リスト
- Improving Noise Robust Audio-Visual Speech Recognition via Router-Gated Cross-Modal Feature Fusion [46.072071890391356]
本稿では,トークンレベルの音響劣化スコアに基づいて,音声と視覚の特徴を適応的に重み付けする新しいフレームワークを提案する。
音声-視覚機能融合型ルータを用いて、信頼できない音声トークンをダウンウェイトし、各デコーダ層にゲートされたクロスアテンションを通じて視覚的手がかりを補強する。
LRS3の実験では,AV-HuBERTと比較して単語誤り率を16.51-42.67%削減できることが示されている。
論文 参考訳（メタデータ） (2025-08-26T07:05:48Z) - Multilingual Audio-Visual Speech Recognition with Hybrid CTC/RNN-T Fast Conformer [59.57249127943914]
本稿では,複数の改良を加えた多言語音声認識モデルを提案する。
我々は、6つの異なる言語に対する音声視覚訓練データの量を増やし、重複しない多言語データセットの自動書き起こしを生成する。
提案モデルでは, LRS3データセット上での新たな最先端性能を実現し, WERは0.8%に達した。
論文 参考訳（メタデータ） (2024-03-14T01:16:32Z) - EchoVest: Real-Time Sound Classification and Depth Perception Expressed
through Transcutaneous Electrical Nerve Stimulation [0.0]
我々は、視覚障害者や聴覚障害者が自分の環境をより直感的に認識できるように、新しい補助デバイス、EchoVestを開発した。
EchoVestは、音の音源に基づいて経皮的電気神経刺激(TENS)を利用して、ユーザの身体に振動を伝達する。
我々は、CNNベースの機械学習モデルよりも精度と計算コストにおいて、分類タスクに最もよく使用される機械学習モデルより優れていることを目指していた。
論文 参考訳（メタデータ） (2023-07-10T14:43:32Z) - Audio-Visual Efficient Conformer for Robust Speech Recognition [91.3755431537592]
本稿では,近年提案されている高能率コンバータ接続性時間分類アーキテクチャの雑音を,音声と視覚の両方を処理して改善することを提案する。
実験の結果,音声と視覚のモダリティを用いることで,環境騒音の存在下での音声の認識が向上し,トレーニングが大幅に加速し,WERが4倍のトレーニングステップで低下することが確認された。
論文 参考訳（メタデータ） (2023-01-04T05:36:56Z) - High Fidelity Neural Audio Compression [92.4812002532009]
我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。
ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。
単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
論文 参考訳（メタデータ） (2022-10-24T17:52:02Z) - The AI Mechanic: Acoustic Vehicle Characterization Neural Networks [1.8275108630751837]
我々は,モバイルデバイスから取得した音声を用いて,音響車両の特徴的深層学習システムであるAIメカニックを紹介する。
我々は、故障検出を強化するために車両特性を予測し、カスケードする畳み込みニューラルネットワークを構築している。
我々のカスケーディングアーキテクチャは、さらに93.6%の検証と86.8%のテストセットの正確さを達成し、16.4%/7.8%と4.2%/1.5%のマージンを示した。
論文 参考訳（メタデータ） (2022-05-19T16:29:26Z) - Deep Convolutional Neural Network for Roadway Incident Surveillance
Using Audio Data [0.0]
衝突事故の特定と予測は、輸送システムの安全状態を理解する上で重要な役割を担っている。
本稿では,クラッシュイベントを正確に識別する新たなセンサユニットを提案する。
事故、タイヤスキー、ホーン、サイレンの音などの4つの事象は、道路の危険を示すために正確に識別することができる。
論文 参考訳（メタデータ） (2022-03-09T13:42:56Z) - CI-AVSR: A Cantonese Audio-Visual Speech Dataset for In-car Command
Recognition [91.33781557979819]
新しいデータセットであるCantonese In-car Audio-Visual Speech Recognition (CI-AVSR)を導入する。
カントン語話者30人が記録した200の車載コマンドの4,984サンプル(8.3時間)で構成されている。
当社のデータセットのクリーンバージョンと拡張バージョンの両方について、詳細な統計情報を提供しています。
論文 参考訳（メタデータ） (2022-01-11T06:32:12Z) - Tiny Transformers for Environmental Sound Classification at the Edge [0.6193838300896449]
本研究は,エッジにおける環境音の分類分野における音響モデルの訓練手法を提案する。
具体的には、トランスフォーマーの設計とトレーニングを行い、オフィスのサウンドをオーディオクリップに分類します。
その結果、BERTベースのトランスフォーマーはメルスペクトログラムで訓練され、99.85%のパラメータでCNNより優れていた。
論文 参考訳（メタデータ） (2021-03-22T20:12:15Z) - CITISEN: A Deep Learning-Based Speech Signal-Processing Mobile
Application [63.2243126704342]
本研究では,CitisENと呼ばれる深層学習に基づく音声信号処理モバイルアプリケーションを提案する。
CitisENは、音声強調(SE)、モデル適応(MA)、背景雑音変換(BNC)の3つの機能を提供している。
雑音の多い音声信号と比較すると、改良された音声信号の約6%と33%の改善が達成された。
論文 参考訳（メタデータ） (2020-08-21T02:04:12Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。