Eine qualitative Untersuchung der Generalisierungsverhaltens von CNNs zur Instrumentenerkennung

dc.contributor.authorGebhardt, Roman B.
dc.contributor.authorLykartsis, Athanasios
dc.contributor.authorWeinzierl, Stefan
dc.date.accessioned2020-05-16T05:46:46Z
dc.date.available2020-05-16T05:46:46Z
dc.date.issued2020
dc.description.abstractKünstliche neuronale Netze (ANNs) haben sich im Bereich des maschinellen Lernens für Audiodaten als erfolgreichstes Werkzeug mit hoher Klassifikationsrate etabliert [1]. Ein bedeutender Nachteil besteht aus wissenschaftlicher Sicht jedoch in der schweren Interpretierbarkeit des von ANNs tatsächlich gelernten Inhalts [2, 3]. Um dieses Problem anzugehen untersuchen wir in dieser Arbeit den Lern- und Generalisierungsprozess eines Convolutional Neural Networks (CNNs) für Multi-Label Instrumentenerkennung in den Hidden Layers des Netzwerks. Wir betrachten die unterschiedlichen Aktivierungen aller Layers durch unterschiedliche Instrumentenklassen um nachzuvollziehen, ab welcher Tiefe das Netzwerk in der Lage ist, zwei von der gleichen Klasse stammenden Stimuli als ähnlich zu erkennen. Wir wiederholen das Experiment mit den gleichen Stimuli für ein auf die Erkennung von vier Emotionen trainiertes CNNs. Dabei bestätigen sich einerseits viele unserer Betrachtungen zum Generalisierungsprozess, gleichzeitig lassen die Ergebnisse darauf schließen, dass das auf Emotionserkennung trainierte Netzwerk in der Lage ist, instrumententypische Patterns zu lernen.de
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/11104
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-9994
dc.language.isodeen
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/en
dc.subject.ddc620 Ingenieurwissenschaften und zugeordnete Tätigkeitende
dc.subject.othermaschinelles Lernende
dc.subject.otherkünstliche Intelligenzde
dc.subject.otherneuronale Netzede
dc.subject.otherKlassifikationde
dc.subject.otherMusikinstrumentde
dc.subject.otherartificial neural networksen
dc.subject.otherANNen
dc.subject.otherconvolutional neural networksen
dc.subject.otherCNNen
dc.subject.othermusical instrumenten
dc.subject.othermachine learningen
dc.titleEine qualitative Untersuchung der Generalisierungsverhaltens von CNNs zur Instrumentenerkennungde
dc.typeConference Objecten
dc.type.versionpublishedVersionen
dcterms.bibliographicCitation.originalpublishernameDeutsche Gesellschaft für Akustik e.V.en
dcterms.bibliographicCitation.originalpublisherplaceBerlinen
dcterms.bibliographicCitation.pageend550en
dcterms.bibliographicCitation.pagestart547en
dcterms.bibliographicCitation.proceedingstitleFortschritte der Akustik - DAGA 2020: 46. Deutsche Jahrestagung für Akustiken
tub.accessrights.dnbfreeen
tub.affiliationFak. 1 Geistes- und Bildungswissenschaften::Inst. Sprache und Kommunikation::FG Audiokommunikationde
tub.affiliation.facultyFak. 1 Geistes- und Bildungswissenschaftende
tub.affiliation.groupFG Audiokommunikationde
tub.affiliation.instituteInst. Sprache und Kommunikationde
tub.publisher.universityorinstitutionTechnische Universität Berlinen

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
gebhardt_etal_2020.pdf
Size:
1.23 MB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
4.9 KB
Format:
Item-specific license agreed upon to submission
Description:

Collections