| 1 |
1
음향 이벤트를 포함하는 음향 신호를 식별하는 단계;상기 음향 신호로부터 적어도 하나의 음향 신호 특징 파라미터를 추출하는 단계; 및 상기 추출된 적어도 하나의 음향 신호 특징 파라미터를 이용하여 트레이닝된 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN)를 적용하여, 상기 음향 신호에 포함된 음향 이벤트를 인식하는 단계를 포함하고,상기 컨볼루션 뉴럴 네트워크는, 상기 추출된 적어도 하나의 음향 신호 특징 파라미터를 정규화하여 생성된 적어도 하나의 피처 맵을 포함하는 첫번째 히든 레이어를 통해 트레이닝하는,컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 2 |
2
제1항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 구분된 프레임 단위로 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)을 적용한 스케일로그램(scalogram)인, 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 3 |
3
제1항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 로그를 적용하는 로그 스펙트로그램(log spectrogram)인, 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 4 |
4
제3항에 있어서,상기 로그 스펙트로그램은, 상기 윈도윙의 길이에 따라 주파수 해상도와 시간 해상도 간의 트레이드 오프 관계인, 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 5 |
5
제1항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 멜 필터뱅크(mel filterbank) 및 로그를 적용하는 로그 멜 필터뱅크 에너지(log mel filterbank energy)이고, 상기 멜 필터뱅크(mel filterbank)는, 주파수에 따라 서로 다른 해상도를 고려하여, 상기 이산 푸리에 변환한 결과에 멜 스케일(mel scale)이 적용되는,컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 6 |
6
제5항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 로그 멜 필터뱅크 에너지에 이산 코사인 변환(Discrete Cosine Transform, DCT)를 적용해 도출한 DCT 계수와 델타(delta) 계수 및 델타-델타(delta-delta) 계수를 이용하여 도출된 켑스트로그램(cepstrogram)인, 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 7 |
7
제3항에 있어서,상기 윈도윙이 적용된 프레임 구간에 대해 미리 설정된 음향 신호 특징 파라미터의 성분 개수에 기초하여 나머지 음향 신호 특징 파라미터의 성분 개수를 조절하는, 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법
|
| 8 |
8
음향 이벤트 인식 방법에 적용되는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN)의 트레이닝 방법에 있어서,음향 이벤트를 포함하는 음향 신호로부터 추출된 적어도 하나의 음향 신호 특징 파라미터를 정규화하는 단계; 및상기 정규화된 음향 신호 특징 파라미터에 기초하여 생성된 적어도 하나의 피처 맵(feature map)을 포함하는 첫번째 히든 레이어를 통해 트레이닝하는 단계를 포함하는, 컨볼루션 뉴럴 네트워크의 트레이닝 방법
|
| 9 |
9
제8항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,ⅰ) 상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 구분된 프레임 단위로 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)을 적용한 스케일로그램(scalogram) ⅱ) 상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 로그를 적용하는 로그 스펙트로그램(log spectrogram) ⅲ) 상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 멜 필터뱅크(mel filterbank) 및 로그를 적용하는 로그 멜 필터뱅크 에너지(log mel filterbank energy) ⅳ) 상기 로그 멜 필터뱅크 에너지에 이산 코사인 변환(Discrete Cosine Transform, DCT)를 적용해 도출한 DCT 계수와 델타(delta) 계수 및 델타-델타(delta-delta) 계수를 이용하여 도출된 켑스트로그램을 포함하는, 컨볼루션 뉴럴 네트워크의 트레이닝 방법
|
| 10 |
10
제9항에 있어서,상기 윈도윙이 적용된 프레임 구간에 대해 미리 설정된 음향 신호 특징 파라미터의 성분 개수에 기초하여 나머지 음향 신호 특징 파라미터의 성분 개수가 조절되는, 컨볼루션 뉴럴 네트워크의 트레이닝 방법
|
| 11 |
11
컨볼루션 뉴럴 네트워크가 적용된 음향 이벤트 인식 장치에 있어서,상기 음향 이벤트 인식 장치는 프로세서 및 컴퓨터로 읽을 수 있는 명령어를 포함하는 메모리를 포함하고,상기 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는, 음향 이벤트를 포함하는 음향 신호를 식별하고, 상기 음향 신호로부터 적어도 하나의 음향 신호 특징 파라미터를 추출하고, 상기 추출된 적어도 하나의 음향 신호 특징 파라미터를 이용하여 트레이닝된 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN)를 적용하여 상기 음향 신호에 포함된 음향 이벤트를 인식하고,상기 컨볼루션 뉴럴 네트워크는, 상기 추출된 적어도 하나의 음향 신호 특징 파라미터를 정규화하여 생성된 적어도 하나의 피처 맵을 포함하는 첫번째 히든 레이어를 통해 트레이닝하는,음향 이벤트 인식 장치
|
| 12 |
12
제11항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 구분된 프레임 단위로 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)을 적용한 스케일로그램(scalogram)인, 음향 이벤트 인식 장치
|
| 13 |
13
제11항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 로그를 적용하는 로그 스펙트로그램(log spectrogram)인, 음향 이벤트 인식 장치
|
| 14 |
14
제13항에 있어서,상기 로그 스펙트로그램은, 상기 윈도윙의 길이에 따라 주파수 해상도와 시간 해상도 간의 트레이드 오프 관계인, 음향 이벤트 인식 장치
|
| 15 |
15
제11항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 멜 필터뱅크(mel filterbank) 및 로그를 적용하는 로그 멜 필터뱅크 에너지(log mel filterbank energy)이고, 상기 멜 필터뱅크(mel filterbank)는, 주파수에 따라 서로 다른 해상도를 고려하여, 상기 이산 푸리에 변환한 결과에 멜 스케일(mel scale)이 적용되는,음향 이벤트 인식 장치
|
| 16 |
16
제15항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,상기 로그 멜 필터뱅크 에너지에 이산 코사인 변환(Discrete Cosine Transform, DCT)를 적용해 도출한 DCT 계수와 델타(delta) 계수 및 델타-델타(delta-delta) 계수를 이용하여 도출된 켑스트로그램인, 음향 이벤트 인식 장치
|
| 17 |
17
제13항에 있어서,상기 윈도윙이 적용된 프레임 구간에 대해 미리 설정된 음향 신호 특징 파라미터의 성분 개수에 기초하여 나머지 음향 신호 특징 파라미터의 성분 개수를 조절하는, 음향 이벤트 인식 장치
|
| 18 |
18
음향 이벤트 인식 방법에 적용되는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN)의 트레이닝 장치에 있어서,상기 트레이닝 장치는 프로세서 및 컴퓨터로 읽을 수 있는 명령어를 포함하는 메모리를 포함하고,상기 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는, 음향 이벤트를 포함하는 음향 신호로부터 추출된 적어도 하나의 음향 신호 특징 파라미터를 정규화하고, 상기 정규화된 음향 신호 특징 파라미터에 기초하여 생성된 적어도 하나의 피처 맵(feature map)을 포함하는 첫번째 히든 레이어를 통해 트레이닝하는,트레이닝 장치
|
| 19 |
19
제18항에 있어서,상기 적어도 하나의 음향 신호 특징 파라미터는,ⅰ) 상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 구분된 프레임 단위로 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)을 적용한 스케일로그램(scalogram) ⅱ) 상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 로그를 적용하는 로그 스펙트로그램(log spectrogram) ⅲ) 상기 식별된 음향 신호를 미리 설정된 프레임 단위로 구분하고, 상기 프레임 단위로 윈도윙(windowing)을 적용한 후 이산 푸리에 변환(Discrete Fourier Transform, DFT)한 결과에 멜 필터뱅크(mel filterbank) 및 로그를 적용하는 로그 멜 필터뱅크 에너지(log mel filterbank energy) ⅳ) 상기 로그 멜 필터뱅크 에너지에 이산 코사인 변환(Discrete Cosine Transform, DCT)를 적용해 도출한 DCT 계수와 델타(delta) 계수 및 델타-델타(delta-delta) 계수를 이용하여 도출된 켑스트로그램을 포함하는, 트레이닝 장치
|
| 20 |
20
제19항에 있어서,상기 윈도윙이 적용된 프레임 구간에 대해 미리 설정된 음향 신호 특징 파라미터의 성분 개수에 기초하여 나머지 음향 신호 특징 파라미터의 성분 개수가 조절되는, 트레이닝 장치
|
