精华内容
下载资源
问答
  • IEMOCAP_features.pkl

    2021-08-11 09:30:57
    IEMOCAP数据集
  • 文章目录前言PolynomialFeatures详细探讨如何实现多项式回归代码实现:正规方程验证 前言 在机器学习入门(六)中,已经通过pipeline快速实现了多项式回归。代码如下: PolyRegr = Pipeline([ ('poly',Polynomial...
  • features.h 标准c/c++头文件下载
  • 关于sift特征检测的原始文献《Distinctive Image Features from Scale-Invariant Keypoints(SIFT)》,作者是MEHMET AYGUN , NOVEMBER,发表于2014
  • 该文件为svn的离线安装插件包,包括plugins和features,下载下来只需要添加到eclipse的对应安装目录下即可~
  • Java Language Features, 2nd Edition,介绍了注解,内部类、IO、持久化等java特性。比较适合深入研究的人员。
  • D77758GC20_Oracle Database 12c New Features for Administrators Activity Guide
  • 压缩包里有论文[PDF]和制作的[PPT]~一篇CVPR2018的论文Learning Rich Features for Image Manipulation Detection,检测图像的篡改区域,用Faster R-CNN网络定位图像被篡改的部分,练就PS检测的火眼金睛。...
  • 用pb文件,输入input,修改output_node,可以输出神经网络每层的输出features
  • Python Tricks A Buffet of Awesome Python Features高清pdf版本,英文原版
  • Python Tricks_A buffet of Awesome python features高清晰版
  • features

    2011-02-24 19:06:20
    features
  • Learning Deep Features for Discriminative Localization论文原文加翻译
  • Learning transferable features with deep adaptation networks.pdf,仅能供参考
  • ,pytorch-vggface2-features,pytorch-vggface2-features,pytorch-vggface2-features
  • Automatic Panoramic Image Stitching using Invariant Features 论文多图像拼接程序 可支持多图像自动拼接,可设置图像融合方式,全景图像融合
  • Classifying patients based on six features
  • Aggregating Deep Convolutional Features for Image Retrieval.pdf Aggregating Deep Convolutional Features for Image Retrieval.pdf Aggregating Deep Convolutional Features for Image Retrieval.pdf
  • java_8_features:Java 8中的功能
  • Distinctive Image Features from Scale-Invariant Keypoints译文
  • Enhance your development skills with Java's state-of-the-art features and projects to make your applications leaner and faster Key Features Overcome the challenges involved in migrating to new ...
  • 标签:abdera-extensions-features-1.1.1.jar,abdera,extensions,features,1.1.1,jar包下载,依赖包
  • 标签:abdera-extensions-features-1.1.jar,abdera,extensions,features,1.1,jar包下载,依赖包
  • surf算法的翻译,非常详细。对于理解surf有很大的帮助哦
  • 2011-Clustering product features for opinion mining 2011-Clustering product features for opinion mining
  • 标签:abdera-extensions-features-1.1.2.jar,abdera,extensions,features,1.1.2,jar包下载,依赖包
  • python_speech_features库学习

    千次阅读 2020-08-06 13:39:40
    介绍python_speech_features模块 python_speech_features.mfcc() -梅尔频率倒谱系数 python_speech_features.fbank() -滤波器能量 python_speech_features.logfbank() -Log Filterbank能量 python_speech_features....

    介绍python_speech_features模块
    python_speech_features.mfcc() -梅尔频率倒谱系数
    python_speech_features.fbank() -滤波器能量
    python_speech_features.logfbank() -Log Filterbank能量
    python_speech_features.ssc() -频谱子带质心
    要使用MFCC功能:

    from python_speech_features import mfcc
    from python_speech_features import logfbank
    import scipy.io.wavfile as wav
    
    (rate,sig) = wav.read("file.wav")
    mfcc_feat = mfcc(sig,rate)
    fbank_feat = logfbank(sig,rate)
    
    print(fbank_feat[1:3,:])
    

    python_speech_features.base.mfcc

    python_speech_features.base.mfcc(signal, samplerate=16000, winlen=0.025, winstep=0.01, numcep=13, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, ceplifter=22, appendEnergy=True, winfunc=<function >)
    根据音频信号计算MFCC功能。
    参数:
    signal –用于计算特征的音频信号。应该是N * 1数组
    samplerate –我们正在处理的信号的采样率。
    winlen –分析窗口的长度,以秒为单位。默认值为0.025s(25毫秒)
    winstep –连续窗口之间的间隔,以秒为单位。预设值为0.01s(10毫秒)
    numcep –要返回的倒谱数,默认为13
    nfilt –过滤器组中的过滤器数,默认为26。
    nfft – FFT大小。默认值为512。
    lowfreq –梅尔滤波器的最低频带边缘。以Hz为单位,默认值为0。
    highfreq –梅尔滤波器的最高频带边缘。以Hz为单位,默认值为samplerate / 2
    preemph –使用以emph为系数的pre -emphas过滤器。0是没有过滤器。默认值为0.97。
    ceplifter –将提升器应用于最终倒谱系数。0不是提升器。默认值为22。
    appendEnergy –如果为true,则将零倒频谱系数替换为总帧能量的对数。
    winfunc –应用于每个框架的分析窗口。默认情况下,不应用任何窗口。您可以在此处使用numpy窗口函数,例如winfunc = numpy.hamming
    返回值:
    一个大小为numpy的数组(包含要素的NUMFRAMES个数字)。每行包含1个特征向量。

    python_speech_features.base.fbank

    python_speech_features.base.fbank(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, winfunc=<function >)
    根据音频信号计算梅尔滤波器组的能量特征。

    参数:
    winlen –分析窗口的长度,以秒为单位。默认值为0.025s(25毫秒)
    winstep –连续窗口之间的间隔,以秒为单位。预设值为0.01s(10毫秒)
    nfilt –过滤器组中的过滤器数,默认为26。
    nfft – FFT大小。默认值为512。
    lowfreq –梅尔滤波器的最低频带边缘。以Hz为单位,默认值为0。
    highfreq –梅尔滤波器的最高频带边缘。以Hz为单位,默认值为samplerate / 2
    preemph –使用以emph为系数的pre -emphas过滤器。0是没有过滤器。默认值为0.97。
    winfunc –应用于每个框架的分析窗口。默认情况下,不应用任何窗口。您可以在此处使用numpy窗口函数,例如winfunc = numpy.hamming
    返回值:
    2个值。第一个是包含特征的大小为numpy的数组(nfilt为NUMFRAMES)。每行包含1个特征向量。第二个返回值是每一帧中的能量(总能量,无窗口)

    python_speech_features.base.logfbank

    python_speech_features.base.logfbank(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97)
    从音频信号计算对数梅尔滤波器组的能量特征。

    参数:

    winlen –分析窗口的长度,以秒为单位。默认值为0.025s(25毫秒)
    winstep –连续窗口之间的间隔,以秒为单位。预设值为0.01s(10毫秒)
    nfilt –过滤器组中的过滤器数,默认为26。
    nfft – FFT大小。默认值为512。
    lowfreq –梅尔滤波器的最低频带边缘。以Hz为单位,默认值为0。
    highfreq –梅尔滤波器的最高频带边缘。以Hz为单位,默认值为samplerate / 2
    preemph –使用以emph为系数的pre -emphas过滤器。0是没有过滤器。默认值为0.97。
    返回值:
    包含要素的大小为numpy的数组(nfilt为NUMFRAMES)。每行包含1个特征向量。

    python_speech_features.base.ssc

    python_speech_features.base.ssc(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, winfunc=<function >)
    Compute Spectral Subband Centroid features from an audio signal.
    从音频信号计算频谱子带质心特征。

    参数:
    信号 –用于计算特征的音频信号。应该是N * 1数组
    采样率 –我们正在处理的信号的采样率。
    winlen –分析窗口的长度,以秒为单位。默认值为0.025s(25毫秒)
    winstep –连续窗口之间的间隔,以秒为单位。预设值为0.01s(10毫秒)
    nfilt –过滤器组中的过滤器数,默认为26。
    nfft – FFT大小。默认值为512。
    lowfreq –梅尔滤波器的最低频带边缘。以Hz为单位,默认值为0。
    highfreq –梅尔滤波器的最高频带边缘。以Hz为单位,默认值为samplerate / 2
    preemph –使用以emph为系数的pre -emphas过滤器。0是没有过滤器。默认值为0.97。
    winfunc –应用于每个框架的分析窗口。默认情况下,不应用任何窗口。您可以在此处使用numpy窗口函数,例如winfunc = numpy.hamming
    返回值:
    包含要素的大小为numpy的数组(nfilt为NUMFRAMES)。每行包含1个特征向量。

    python_speech_features.base.hz2mel

    python_speech_features.base.hz2mel(hz)
    将赫兹中的值转换为梅尔

    参数: 赫兹–以Hz为单位的值。这也可以是一个numpy数组,转换逐个元素进行。
    返回值: 梅尔斯的价值。如果传入数组,则返回大小相同的数组。

    python_speech_features.base.mel2hz(mel)

    python_speech_features.base.mel2hz(mel)
    将梅尔斯的值转换为赫兹

    参数: 梅尔–梅尔斯的价值。这也可以是一个numpy数组,转换逐个元素进行。
    返回值: 赫兹的价值。如果传入数组,则返回大小相同的数组。

    python_speech_features.base.get_filterbanks

    python_speech_features.base.get_filterbanks(nfilt=20, nfft=512, samplerate=16000, lowfreq=0, highfreq=None)
    *计算一个梅尔滤波器组。筛选器存储在行中,列对应于fft bin。过滤器以大小为nfilt (nfft / 2 + 1)的数组形式返回

    参数:
    nfilt –过滤器组中的过滤器数,默认为20。
    nfft – FFT大小。默认值为512。
    采样率 –我们正在处理的信号的采样率。影响梅尔间距。
    lowfreq –梅尔滤波器的最低频带边缘,默认为0 Hz
    highfreq –梅尔滤波器的最高频带边缘,默认采样率/ 2
    返回值:
    一个大小为nfilt *(nfft / 2 + 1)的numpy数组,其中包含filterbank。每行包含1个过滤器。

    python_speech_features.base.lifter

    python_speech_features.base.lifter(cepstra, L=22)
    在倒谱矩阵上应用倒谱提升器。这具有增加高频DCT系数的幅度的效果。

    参数:
    cepstra – mel-cepstra的矩阵,将是numframe * numcep。
    L –要使用的提升系数。默认值为22。L <= 0禁用提升器。

    python_speech_features.base.delta(feat, N)
    从特征向量序列计算增量特征。

    参数:
    feat –包含特征的大小(数量为NUMFRAMES个)的numpy数组。每行包含1个特征向量。
    N –对于每帧,根据前N个帧和后N个帧计算增量特征
    返回值:
    包含增量要素的大小(数量为NUMFRAMES个)的numpy数组。每行包含1个增量特征向量。

    python_speech_features.sigproc.framesig

    python_speech_features.sigproc.framesig(sig, frame_len, frame_step, winfunc=<function >, stride_trick=True)
    将信号分成重叠的帧。

    参数:
    sig –音频信号到帧。
    frame_len –以样本为单位测量的每个帧的长度。
    frame_step –前一帧开始后下一帧应该开始的采样数。
    winfunc –应用于每个框架的分析窗口。默认情况下,不应用任何窗口。
    stride_trick –使用跨度技巧更快地计算滚动窗口和窗口倍增
    返回值:
    框架数组。大小为frame_len的NUMFRAMES。

    python_speech_features.sigproc.deframesig

    python_speech_features.sigproc.deframesig(frames, siglen, frame_len, frame_step, winfunc=<function >)
    执行重叠添加过程以撤消frameig的操作。

    参数:
    帧 – 帧的数组。
    siglen –所需信号的长度,如果未知,则使用0。输出将被截断为信号样本。
    frame_len –以样本为单位测量的每个帧的长度。
    frame_step –前一帧开始后下一帧应该开始的采样数。
    winfunc –应用于每个框架的分析窗口。默认情况下,不应用任何窗口。
    返回值:
    一维信号

    python_speech_features.sigproc.magspec

    python_speech_features.sigproc.magspec(frames, NFFT)
    计算每帧的幅度谱。如果帧是NxD矩阵,则输出将是Nx(NFFT / 2 + 1)。

    参数:
    帧 – 帧的数组。每行是一个框架。
    NFFT –要使用的FFT长度。如果NFFT> frame_len,则将帧补零。
    返回值:
    如果帧是NxD矩阵,则输出将是Nx(NFFT / 2 + 1)。每行将是相应帧的幅度谱。

    python_speech_features.sigproc.powspec

    python_speech_features.sigproc.powspec(frames, NFFT)
    计算每帧的功率谱。如果帧是NxD矩阵,则输出将是Nx(NFFT / 2 + 1)。

    参数:
    帧 – 帧的数组。每行是一个框架。
    NFFT –要使用的FFT长度。如果NFFT> frame_len,则将帧补零。
    返回值:
    如果帧是NxD矩阵,则输出将是Nx(NFFT / 2 + 1)。每行将是相应帧的功率谱。

    python_speech_features.sigproc.logpowspec

    python_speech_features.sigproc.logpowspec(frames, NFFT, norm=1)
    计算每帧的对数功率谱。如果帧是NxD矩阵,则输出将是Nx(NFFT / 2 + 1)。

    参数:
    帧 – 帧的数组。每行是一个框架。
    NFFT –要使用的FFT长度。如果NFFT> frame_len,则将帧补零。
    norm –如果norm = 1,则对数功率谱被归一化,因此最大值(跨所有帧)为0。
    返回值:
    如果帧是NxD矩阵,则输出将是Nx(NFFT / 2 + 1)。每行将是相应帧的对数功率谱。

    python_speech_features.sigproc.preemphasis(signal, coeff=0.95)

    python_speech_features.sigproc.preemphasis(signal, coeff=0.95)
    对输入信号执行预加重。

    参数:
    信号 –要过滤的信号。
    coeff –预加重系数。0是没有过滤器,默认值为0.95。
    返回值:
    滤波后的信号。

    展开全文
  • Integral_Channel_Features以及代码还有一小段视频
  • WildFly New Features

    2015-12-25 00:00:01
    WildFly New Features WildFly Configuration, Deployment, and Administration
  • 这几乎是一个完整的重写,您可能希望将其复制到〜/ linuxcnc / features之类的其他目录中,但是〜/ linuxcnc-features也可以,尽管它将代替原始目录的大部分内容。 对子例程的少量更改将使它们充分利用所有新功能...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 427,343
精华内容 170,937
关键字:

features