کنفرانس بین المللی فناوری اطلاعات و دانش

English

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

A Deep Learning Framework for Phase-Aware Feature Representation to Improve Sound Source Direction and Distance Estimation

نویسندگان :

Zahra Abolfazli¹ Hamid Reza Abutalebi²

1- Yazd University 2- Yazd University

کلمات کلیدی :

(Sound Event Localization and Detection (SELD،phase spectrogram features،Conformer

چکیده :

This paper proposes a novel refinement of the network’s input features to improve distance and Direction-of-Arrival estimation in the sound event localization and detection system. Instead of relying on Mel energies, we propose using phase spectrograms as input feature, which effectively preserve inter-channel time delays and capture crucial wave propagation characteristics. Furthermore, we introduce architectural improvements for increased robustness. Specifically, Huber loss replaces MSE, reducing sensitivity to noise. Additionally, MHSA layers are replaced with Conformer blocks to better model both long-range dependencies and local interactions within the audio data. Our experimental results validate the effectiveness of the proposed phase-based feature representation and optimized architecture, demonstrating improvements in both DOA and distance estimation.

لیست مقالات

لیست مقالات بایگانی شده

مدل یادگیری ماشین برای تشخیص تقلب در کارت‌های اعتباری با رویکرد بهینه‌سازی AUC و تنظیم خودکار ابرپارامترها

محمد مهدی متولی

Statistical distance-base acceptance strategy for desirable offers in bilateral automated negotiation

Arash Ebrahimnezhad - Dr Hamid Jazayeriy - Dr Faria Nassiri-mofakham

طبقه‌بندی ترافیک رمز مبتنی بر یادگیری ماشین

افسانه معدنی - شقایق نادری - حسین قرایی

کنترل کیفیت پیش_بینانه آمیزه_های لاستیکی مدلی یکپارچه بر اساس استاندارد پذیرش متغیرهای ANSI Z1.9 و پایش رئولوژیکی برخط

آکو یاری - فرهاد محمدزاده

Open-domain question classification and completion in conversational information search

Omid Mohammadi Kia - Mahmood Neshati - Mahsa Soudi Alamdari

Optimal control of robotic hand for rehabilitation using fractional order systems and EEG signal processing

Mehran Safari Dehnavi - Vahid Safari Dehnavi - Masoud Shafiee

SBST challenges from the perspective of the test techniques

Sepideh Kashefi Gargari - Dr Mohammad Reza Keyvanpour

Movable Antenna Design for UAV-Aided Federated Learning via Deep Reinforcement Learning

MOHSEN Ahmadzadeh - Saeid Pakravan - Ghosheh Abed Hodtani

بهبود کارایی بارسپاری در شبکه های سلولی با استفاده از ارتباطات مشارکتی در لایه MAC

نبیل الراشدی - رسول صادقی - وائل حسین اللامی - مهدی حمیدخانی

Classification and Evaluation of Privacy Preserving Data Mining Methods

Negar Nasiri - Mohammadreza Keyvanpour

بیشتر

ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 42.5.2