本文探讨了在音频处理中，如何通过频域和时域增强来增加数据多样性。通常，图像增强包括旋转和裁剪，但音频因其时序性不能直接应用相同方法。通过加噪处理后，对提取的固定形状音频特征进行增强。频域和时域增强主要涉及在梅尔语谱特征的横轴（时域）和纵轴（频域）上进行随机mask操作，然后用同一数值覆盖选定区域。文章提供了相关代码示例，输入形状为[batch, fre_feature, time]。"
114053071,10296280,Spring框架实战：构建Java Web项目,"['Java', 'Spring框架', 'Web开发', '依赖注入', '企业级应用']
在对图像进行训练时，通常会对图像进行旋转或者随机裁剪，这样是为了增加数据的多样性，但是音频数据却无法直接这么处理，这是因为音频是具有时序性，我们可以通过简单的加噪处理来对音频做一个简单的增强，这是在原始音频基础上的，之后我们对音频提取的特征shape是固定的，此时我们可以对提取出的特征来进行增强，比较常见的就是频域和时域的增强，那么如何理解频域和时域的增强呢，来看下面这幅图：
这幅图是我对一段11秒的音频进行梅尔语谱特征提取出来的结果，横轴即为时域，纵轴即为频域，那么所谓的时域增强和频域增强无非就是在横轴和纵轴随机mask，mask首先确定维度，然后再用同一个数值覆盖即可，如下图：
如此便完成啦！代码如下：
7268
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
扫一扫
