МЕТОДИ АУДІО-АУГМЕНТАЦІЇ У МОДЕЛЯХ МАШИННОГО НАВЧАННЯ

Анотація

У цій статті розглядається вплив технік аудіо-аугментації на класифікацію гітарних акордів. Аудіо-аугментація, як метод розширення навчальних датасетів шляхом модифікації аудіосигналів, є важливим інструментом для покращення стійкості моделей до різних варіацій сигналів. Після застосування методів аугментації, таких як додавання шуму, зміна швидкості, реверберація та часовий зсув, було проведено навчання згорткової нейронної мережі (CNN) на розширеному датасеті гітарних акордів. Результати експерименту продемонстрували значне підвищення точності класифікації в порівнянні з моделями, навченими на неаугментованих даних. Отримані дані свідчать про те,, що вибір конкретних технік аугментації залежить від типу завдання, а їх впровадження в моделі машинного навчання відкриває нові можливості для підвищення ефективності аудіоаналізу.