Commit 74c4299f authored by David Maxence's avatar David Maxence
Browse files

debut redaction partie résultat

parent f2490811
......@@ -16,7 +16,7 @@ Ils indiquent que les CNN conviennent, en principe, très bien pour les problèm
Pourtant, l'application des CNNs à la classification des sons environnementaux a été limitée jusqu'à présent. Nous allons donc étudier leur recherche.
## Data Set
## Modèle
L'architecture du modèle est composée de la suivante :
- 3 convolutional layers
......@@ -45,7 +45,35 @@ Les expériences sont réalisées avec 4 types différents de déformation de l'
## Resultats
Chacun des résultats de cet article sont comparés avec deux méthodes, car elles sont évaluées sur la même data set. Le *PiczakCNN* est un réseau de Deep Learning utilisant aussi des CNNs. Et le second est un apprentissage par dictionnaire nommé *SKM*. Les résultats de *SB-CNN* sont comparables aux deux autres méthodes. En effet l'accuracy moyenne est la suivante [0.74,0.73,0.73] respectivement pour *SKM*, *PiczakCNN* et *SB-CNN*. Les chercheurs de l'article justifient cela par le fait que le data-set utilisée n'est pas assez grande et surtout pas assez variée. Il n'offre donc pas la possibilité aux réseaux de CNN de *comprendre* et *d'apprendre* correctement les sons. Et il n'est donc pas plus performant qu'un simple modèle par dictionnaire.
Cependant l'intérêt de cet article réside dans la data augmentation. Grâce à cette technique décrite précédemment, l'accuracy moyenne obtenue sur ce problème de classification est de 0.79, soit une large amélioration des résultats précédents. De plus l'auteur explique que utiliser cette augmentation dans la méthode *SKM* donne de mauvais résultats. De plus nous voyons que l'augmentation de la taille du dictionnaire n'améliore pas non plus les résultats de la méthode. Nous remarquons donc que la méthode par dictionnaire semble limitée en termes de performance. Le deep learning semble donc avoir une bien meilleure capacité de représentation.
<div align="center">
<img height="300" src="img/result.png">
</div>
<div align="center">Matrice de confusion classification de sons</div>
<br>
Nous pouvons remarquer que certain type de son semble beaucoup plus compliqué à classique que d'autre. En effet les sons *air_conditioner* obtiennent une accuracy de 0.49 alors que *car_horn* environ 0.90.
### Il faudrait peut-etre expliquer pourquoi certains sons ne sont pas bien classifiés
<div align="center">
<img height="400" src="img/mat_conf.png">
</div>
<div align="center">Matrice de confusion classification de sons</div>
<br>
Nous avons donc remarqué que la data augmentation à un effet globalement positif sur *SB-CNN*. L'article nous montre que cette efficacité est relative en fonction des sons. Mais aussi que certains types d'augmentation sont plus efficaces sur certains sons. La data augmentation a par ailleurs un effet néfaste dans certain cas.
<div align="center">
<img height="400" src="img/res_type_data.png">
</div>
<div align="center">Delta sur l'accuracy avant/après data augmentation</div>
<br>
Plusieurs conclusions peuvent être extraites de ce graphique :
-
## Critiques
......
Supports Markdown
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment