Discrete wavelet transform based branched deep hybrid network for environmental noise classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary With ever growing urbanization, the environmental noise is becoming hazardous. Vehicular traffic, locomotives, heavy machinery in industry, and construction processes are the major sources of noise pollution. It has adverse effects on the health of humans as well as that of the wild life. World Health Organization (WHO) puts noise pollution as the second major cause of illness due to environmental reasons. The effects of noise pollution on the quality of life are usually ignored. Due to this reason it is common, even in the first world countries, to have the WHO's peak noise standards violated in residential areas. Therefore, there is a need to have a real time, portable and easy to replicate, mechanism to monitor the noise sources. In this work, we propose a novel architecture of a deep neural network to classify a 10‐class environmental noise data called URBANSOUND8K. This network is comprised of three components, (1) one dimensional two level Discrete Wavelet Transform (DWT) component, (2) branched component for feature extraction through auto‐encoders, and (3) LSTM and fully‐connected layers based classification component. With all components combined, we call this network DWTNet. By embedding the DWT component as a part of network, we eliminate the need of prior data conversion into spectral and/or spectro‐temporal domains. The efficiency of DWTNet is comparable to the state of the art networks with significantly lower number of trainable parameters. We analyze the contribution of classification accuracy. We further study some of the classification results individually and show that some of the mis‐classifications are actually multi‐class classifications with distributed decision confidence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle