CCFBDCI2020通用音频分类数据集 包括训练集和测试集，文件夹名称是标签

使用 CNN-MLP 的音频分类 使用深度学习（CNN、MLP）的多类音频分类 引文 如果你觉得这个项目有帮助，请引用如下： @software{vishal_sharma_2020_3988690, author = {Vishal Sharma}, title = {{vishalshar/Audio-Classification-using-CNN-MLP: first release}}, month = Aug, year = 2020, publisher = {Zenodo}, version = {v1.0.0}, doi = {10.5281/zenodo.3988690}, url = {

30类通用语句音频分类数据集（5w多条数据）

简单、快速、实时、可定制的机器学习音频分类器

光谱特征集-波峰、平坦度、偏度、斜率、减少

重新思考音频分类的CNN模型 该存储库包含我们的论文《的PyTorch代码。 在以下三个数据集上进行了实验，这些数据集可以从提供的链接中下载： 前处理 预处理是单独进行的，以节省模型训练期间的时间。 对于ESC-50： python preprocessing/preprocessingESC.py --csv_file /path/to/file.csv --data_dir /path/to/audio_data/ --store_dir /path/to/store_spectrograms/ --sampling_rate 44100 对于UrbanSound8K： python preprocessing/preprocessingUSC.py --csv_file /path/to/csv_file/ --data_dir /path/to/audio_data/ --

【项目介绍】 基于梅尔频谱图的音频信号分类识别(Pytorch)项目源码，本项目将使用Pytorch，实现一个简单的的音频信号分类器，可应用于机械信号分类识别，鸟叫声信号识别等应用场景。 项目使用librosa进行音频信号处理，backbone使用mobilenet_v2，在Urbansound8K数据上，最终收敛的准确率在训练集99%，测试集96%，如果想进一步提高识别准确率可以使用更重的backbone和更多的数据增强方法。 【博客地址】 《基于梅尔频谱图的音频信号分类识别(Pytorch)》https://panjinquan.blog.csdn.net/article/details/120601437

基于机器学习的数字音频分类方法研究.pdf

Python音频特征提取示例：包含的特征提取方法：bark，gamma，linear，mel，bfcc，gfcc，lfcc，lpc，mfcc，msrcc，ngcc，pncc，psrcc，rplp，spfeats

基于卷积神经网络的Keras音频分类器