要做出这个答案,因为评论太久了。
我基本上在这个领域工作,所以我觉得我有一些知识。显然,从我的立场来看,我建议使用音频而不是图像。我还建议使用MFCC作为特征提取(您可以将其视为总结/表征音频特定子带的系数[因为它们])。
GMM是去的。
要执行此任务,您必须拥有一些(最好是很多)标签/已知数据,否则没有机器学习的基础。
您可能会发现有用的技术性:
‘Then, during testing, you submit a
query MFCC vector to the GMM, and it
will tell you which species it thinks
it is.’
更准确地说,您向每个GMM提交查询(如果您正确使用这些查询,则每个都给出该概率分布发出的特定特征向量的可能性[概率]。然后,比较您从所有GMM获得的所有可能性分数,并根据您收到的最高分数进行分类。
UBM中
您可以使用UBM(通用背景模型)简单地对所有背景噪声/信道失真进行建模,而不是“过滤掉”噪声。该模型由使用您可用的所有训练数据训练的GMM(即您为每个课程使用的所有训练数据)组成。您可以使用它来获得“似然比”(Pr [x将由特定模型发射] / Pr [x将由背景模型(UBM)]发射),以帮助消除背景模型可以解释的任何偏差本身。