Как работать с звуком разного размера в Deep Audio Classification? ⇐ Python

[Anonymous]

Мне поручили проект, посвященный классификации аудиособытий преступлений и несчастных случаев с использованием нейронной сети.
Лектор предоставил мне два набора данных (необработанные и расширенные), на основе которых я должен обучить сеть.Темы этого проекта были кратко рассмотрены в ходе курса, но большинство задач следует изучить самостоятельно, в основном, касающихся конвейерной обработки глубокого обучения.
Наборы данных показывают серьезный дисбаланс в продолжительности выборки, начиная всего с пары секунд до более минуты. Судя по решениям, которые я видел (в основном в отношении заполнения), мне кажется неправильным дополнять более короткие образцы до максимальной продолжительности в наборе данных.
Оригинальный документ посвящен В этом проекте было предложено использовать технику сегментации аудио, чтобы разделить каждый аудиофайл на более мелкие токены для подачи в сеть, звучит примерно правильно, но я понятия не имею, как это сделать эффективно и как передать каждый токен в сеть.
Единственный шаг, в котором я уверен Речь идет об обработке Mel Filterbank и генераторе спектрограмм, хотя я еще не уверен, какой из CNN, RNN или LSTM наиболее подходит для обработки аудиоданных.
Спасибо всем за ваше помогите!

Подробнее здесь: https://stackoverflow.com/questions/793 ... sification