Redukce šumu ve zvukovém signálu pomocí hlubokého učení

Simple item page
but.committeedoc. Ing. Kamil Říha, Ph.D. (předseda) Ing. Jana Jelínková (člen) Ing. David Kubánek, Ph.D. (člen) Ing. Matěj Ištvánek (člen) Ing. Jiří Přinosil, Ph.D. (místopředseda)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Otázky oponenta: Pokud se používá pouze modulové spektrum, jak získáte zpět rekonstruovaný signál v časové oblasti (tzv. waveform)? Proč jste použil na trénování výsledné sítě pro audio denoising pouze jednu epochu? Jaký je princip metody denoisingu pomocí Waveletové transformace, kterou používáte pro srovnání? Otázky komise: Jak jste pracoval s datasetem, kolik nahrávek obsahoval? Popište parametry použité STFT. Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programAudio inženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorMokrý, Ondřejcs
dc.contributor.authorPacal, Tomášcs
dc.contributor.refereeZáviška, Pavelcs
dc.date.accessioned2023-07-17T08:03:05Z
dc.date.available2023-07-17T08:03:05Z
dc.date.created2023cs
dc.description.abstractTato práce se zabývá odstraňováním šumu v audio signálu za použití hlubokého učení. Jsou zde popsány základní typy neuronových sítí a jejich využití v této oblasti. Možnosti implementace neuronových sítí jsou otestovány v prostředí Matlab a Python. Následně je navržen model neuronové konvoluční sítě, podle kterého jsou realizovány čtyři různé architektury konvolučních sítí, které byly poté trénovány a testovány na různých typech šumů. Na základě těchto testů byla vybrána jedna architektura, která byla společně s~metodou redukce šumu využívající vlnkové transformace podrobena srovnávacímu testu na nahrávce řeči a poté na hudební nahrávce. Výsledky jsou vyhodnoceny jak pomocí objektivních metrik kvality zvuku tak pomocí neformálního poslechového testu. Neuronová síť dosáhla lepších výsledků dle všech použitých metrik a v poslechovém testu.cs
dc.description.abstractThis thesis deals with noise removal in audio signal using deep learning. The basic types of neural networks and their use in audio signal processing are described. The possibilities of implementing neural networks are tested in Matlab and Python. Subsequently, a~convolutional neural network model is proposed, according to which four different convolutional network architectures are implemented and then trained and tested on different types of noise. Based on these tests, one architecture was selected and subjected to a comparative test on a speech recording and then on a music recording, together with a noise reduction method using wavelet transform. The results are evaluated using both objective sound quality metrics and an informal listening test. The neural network achieved better results according to all the metrics used as well as in the listening test.en
dc.description.markBcs
dc.identifier.citationPACAL, T. Redukce šumu ve zvukovém signálu pomocí hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.cs
dc.identifier.other151136cs
dc.identifier.urihttp://hdl.handle.net/11012/210881
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjecthluboké učenícs
dc.subjectkonvolucecs
dc.subjectneuronová síťcs
dc.subjectstrojové učenícs
dc.subjectMatlabcs
dc.subjectPythoncs
dc.subjectPESQcs
dc.subjectPEMO-Qcs
dc.subjectSTOIcs
dc.subjectredukce šumucs
dc.subjectzpracování zvukového signálucs
dc.subjectdeep learningen
dc.subjectconvolutionen
dc.subjectneural networken
dc.subjectmachine learningen
dc.subjectMatlaben
dc.subjectPythonen
dc.subjectPESQen
dc.subjectPEMO-Qen
dc.subjectSTOIen
dc.subjectnoise reductionen
dc.subjectaudio signal processingen
dc.titleRedukce šumu ve zvukovém signálu pomocí hlubokého učenícs
dc.title.alternativeAudio signal denoising using deep learningen
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2023-06-14cs
dcterms.modified2023-06-15-08:42:19cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid151136en
sync.item.dbtypeZPen
sync.item.insts2023.07.17 10:03:05en
sync.item.modts2023.07.17 09:40:00en
thesis.disciplineZvuková produkce a nahrávánícs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
5.9 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
13.09 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_151136.html
Size:
7.18 KB
Format:
Hypertext Markup Language
Description:
review_151136.html
Download
Collections
2023