[Πολυμέσα] Εργασία 2021-2022

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[12:00-13:30]

Η γραμματεία είναι ανοιχτή καθημερινά 12:00-13:30

[perukas]

Έχω κάποιο πρόβλημα με το level 2. Ενώ στο level 1 το decoded ακούγεται πολύ καλά σε σχέση με το αρχικό, στο level 2 ακούγεται πολύ χάλια.
Η λογική μου στο level 2 είναι η εξής:
 - Σε επίπεδο encode/decode καλώ τις αντίστοιχες συναρτήσεις ως εξής (τα y και y_dec αφορούν σε 160 samples κάθε φορά):
for (...)
    [LARc, Nc, bc, CurrFrmExFull, CurrFrmSTResd] = RPE_frame_SLT_coder(y(...), PrevFrmSTResd);
    PrevFrmSTResd = CurrFrmSTResd;
    [y_dec(...), CurrFrmSTResd] = RPE_frame_SLT_decoder(LARc, Nc, bc, CurrFrmExFull, PrevFrmSTResd);
end

- Στον encoder ακολουθώ τα εξής βήματα (συνοπτικά):

• Pre-processing του σήματος s0.
• Εύρεση των συντελεστών LARc και της ακολουθίας d(n).
• Για κάθε subframe δημιουργώ την ακολουθία d'(n) με τα προηγούμενα 3 subframes (αναλόγως το τρέχων subframe παίρνω τα αντίστοιχα δείγματα από το προηγούμενο/τρέχων frame).
• Έπειτα βρίσκω τους συντελεστές N και b για το τρέχων subframe και τους κβαντίζω.
• Υπολογίζω την διαφορά e = d(n) - bc*d'(n-Nc) και την αποθηκεύω στο CurrFrmExFull.
• Τέλος, υπολογίζω το τρέχων subframe ως CurrFrmSTResd(...) = e + bq*d'(n-Nc), όπως ζητείται στην εκφώνηση.

- Στον decoder ακολουθώ τα εξής βήματα (συνοπτικά):

• Για κάθε subframe κατασκευάζω την ακολουθία d'(n) με τα τρία προηγούμενα subframes, όπως και στον encoder.
• Υπολογίζω τα αποκβαντισμένα N' και b'.
• Υπολογίζω το τρέχων subframe ως CurrFrmSTResd(...) = e + b'*d'(n-N'), όπου e είναι το αντίστοιχο (με το τρέχων subframe) τμήμα της ακολουθίας διέγερσης CurrFrmExFull.
• Στη συνέχεια ακολουθώ τη διαδικασία του decoder του level 1, δηλαδή εύρεση των συντελεστών a από τα LARc, υπολογισμός του s'(n) εφαρμόζοντας το κατάλληλο φίλτρο στην CurrFrmSTResd και τέλος εφαρμογή του post proccessing.

Δεν ξέρω τι μπορεί να πάει λάθος και να βγαίνει τόσο χάλια η ποιότητα του ήχου.

Καλησπέρα, συγγνώμη για την καθυστέρηση (βέβαια, το νόημα του φόρουμε είναι η συζήτηση μεταξύ των συναδέλφων που υλοποιούν την εργασια). Σε πρώτη φάση τη 2η γραμμή μέσα στη for θα την έβαζα τελευταία.

[perukas]

Ένα άλλο ερώτημα που έχω όσον αφορά το level 1 είναι ότι το decoded ηχητικό ακούγεται σχεδόν ίδιο με το αρχικό και η διαφορά τους είναι της τάξης 10^(-3).
Είναι φυσιολογικό αυτό; (Έχω στείλει τα ηχητικά στα συνημμένα).

Επίσης στο level 2 αναμένουμε να έχουμε καλύτερη/χειρότερη ποιότητα σε σχέση με το level 1;

Γενικά είναι λογικό το σήμα να είναι καθαρό στο level 1, εφόσον δεν έχει υποστεί "βαριά" επεξεργασια. Στο level 2 (και 3) είναι επίσης λογικό να υπάρχει κάποιο θόρυβος (λόγω παραδοχών της εργασίας αλλά και επειδή εκ των πραγμάτων, ο αλγόριθμος είναι lossy) (επίσης λόγω της μεγαλύτερης πολυπλοκότητας του level 2, είναι πιο εύκολο να γίνει κάποιο λάθος που μπορεί να παράγει ενθόρυβο σήμα, αλλά να μην καταλαβαίνεις αν υπάρχει λάθος ή όχι).

[Tony316]

Καλησπέρα, συγγνώμη για την καθυστέρηση (βέβαια, το νόημα του φόρουμε είναι η συζήτηση μεταξύ των συναδέλφων που υλοποιούν την εργασια). Σε πρώτη φάση τη 2η γραμμή μέσα στη for θα την έβαζα τελευταία.

Η αλήθεια είναι ότι το δοκίμασα και δεν έβγαλα κάτι καλύτερο - λογικό το βρίσκω αφού, αν δεν κάνω λάθος, η διαδικασία υπολογισμού του CurrFrmSTResd είναι ίδια και στις 2 συναρτήσεις.

[Tony316]

Γενικά είναι λογικό το σήμα να είναι καθαρό στο level 1, εφόσον δεν έχει υποστεί "βαριά" επεξεργασια. Στο level 2 (και 3) είναι επίσης λογικό να υπάρχει κάποιο θόρυβος (λόγω παραδοχών της εργασίας αλλά και επειδή εκ των πραγμάτων, ο αλγόριθμος είναι lossy) (επίσης λόγω της μεγαλύτερης πολυπλοκότητας του level 2, είναι πιο εύκολο να γίνει κάποιο λάθος που μπορεί να παράγει ενθόρυβο σήμα, αλλά να μην καταλαβαίνεις αν υπάρχει λάθος ή όχι).

Ναι δεν ξέρω τι μπορεί να πάει λάθος ακόμη το ψάχνω. Γενικά η λογική που ακολουθώ και έστειλα παραπάνω (αν είναι κατανοητή βέβαια) έχει κάποιο λάθος;

[perukas]

Ναι δεν ξέρω τι μπορεί να πάει λάθος ακόμη το ψάχνω. Γενικά η λογική που ακολουθώ και έστειλα παραπάνω (αν είναι κατανοητή βέβαια) έχει κάποιο λάθος;

Δεν διακρίνω κάποιο χτυπητό λάθος.
Επίσης μπορείτε να κοιτάξετε κι εδώ μήπως βρείτε κάποιο πληροφορία γενικότερα

[perukas]

Η ημερομηνία υποβολής της εργασίας παρατείνεται για 4 μέρες, δηλαδή η τελική ημερομηνία υποβολής είναι Τρίτη 8 Μαρτίου.

[Tony316]

Όσον αφορά τα διάφορα επίπεδα προφανώς μπορεί ένα επίπεδο να καλεί συναρτήσεις του προηγούμενου επιπέδου, π.χ. το level 2 να καλεί συναρτήσεις του level 1 για να μην βάζουμε όλον τον κώδικα του short term predictor και στις συναρτήσεις του level 2;

[perukas]

Όσον αφορά τα διάφορα επίπεδα προφανώς μπορεί ένα επίπεδο να καλεί συναρτήσεις του προηγούμενου επιπέδου, π.χ. το level 2 να καλεί συναρτήσεις του level 1 για να μην βάζουμε όλον τον κώδικα του short term predictor και στις συναρτήσεις του level 2;

Ναι γίνετα. Γενικά το πως θα δομήσετε το codebase σας είναι στη δική σας ευχέρεια, αρκεί να υπάρχει ένα demo script για κάθε επίπεδο.

[Tony316]

Ωραία. Επίσης στο script μπορούμε να βάλουμε κάποιο δικό μας αρχείο ήχου για επίδειξη ή θα δοκιμάσετε εσείς δικά σας αρχεία;

[perukas]

Ωραία. Επίσης στο script μπορούμε να βάλουμε κάποιο δικό μας αρχείο ήχου για επίδειξη ή θα δοκιμάσετε εσείς δικά σας αρχεία;

Δικό σας.

[andreasagg]

Το πρότυπο θεωρεί πως το format του σήματος εισόδου στον κωδικοποιητή είναι 13 bit uniform PCM. Έχω καταγράψει κάποια ηχητικά και προσπαθώ να το φορτώσω με την audioread αλλά τα bits per sample που επιτρέπει 8,16,24,32 και 64. Εσείς πως έχετε φορτώσει τα ηχητικά; Αντιμετωπίσατε το ίδιο πρόβλημα;

[perukas]

Δε χρειάζεται να αναπαραστήσεις το σήμα σου με 13bit

[Ghost Of The Navigator]

Γενικά είναι λογικό το σήμα να είναι καθαρό στο level 1, εφόσον δεν έχει υποστεί "βαριά" επεξεργασια. Στο level 2 (και 3) είναι επίσης λογικό να υπάρχει κάποιο θόρυβος (λόγω παραδοχών της εργασίας αλλά και επειδή εκ των πραγμάτων, ο αλγόριθμος είναι lossy) (επίσης λόγω της μεγαλύτερης πολυπλοκότητας του level 2, είναι πιο εύκολο να γίνει κάποιο λάθος που μπορεί να παράγει ενθόρυβο σήμα, αλλά να μην καταλαβαίνεις αν υπάρχει λάθος ή όχι).

Μετά από αρκετές δοκιμές, στο επίπεδο 2 εμείς παίρνουμε το ίδιο ακριβώς σήμα με το σήμα εισόδου στο επίπεδο 2 (δηλαδή το ίδιο σήμα με την ΄έξοδο του επιπέδου 1. Αυτό θεωρούμε ότι είναι σωστό, εφόσον οι προβλέψεις γίνονται με τα ίδια ακριβώς b και N που είναι γνωστά στον decoder και τα σφάλματα της πρόβλεψης e δεν έχουν υποστεί κβαντισμό. Χάνουμε κάτι στο σκεπτικό; Άλλωστε από την έκφωνηση αναφέρεται ότι στην μεταβλητή CurrFrmExFull έχουμε τα σφάλματα χωρίς κβαντισμό και χωρίς κωδικοποίηση, επομένως δεν μπορούμε να βρούμε κάποιο σημείο στο οποίο να χάνεται πληροφορία.

[perukas]

Μετά από αρκετές δοκιμές, στο επίπεδο 2 εμείς παίρνουμε το ίδιο ακριβώς σήμα με το σήμα εισόδου στο επίπεδο 2

Λίγο με μπερδεύει αυτό. Εννοείς ότι το σήμα εξόδου του επιπέδου 2 (e[n] ή d'[n]; ) είναι ίδιο με το σήμα εισόδου του επιπέδου 2 (s0;);

[Ghost Of The Navigator]

Λίγο με μπερδεύει αυτό. Εννοείς ότι το σήμα εξόδου του επιπέδου 2 (e[n] ή d'[n]; ) είναι ίδιο με το σήμα εισόδου του επιπέδου 2 (s0;);

Δεν το διατύπωσα σωστά, εννοώ ότι δεν έχουμε καθόλου loss γενικά στο επίπεδο 2 και ό.τι loss υπάρχει οφείλεται στο loss του 1ου επιπέδου. Αυτό, θεωρούμε ότι οφείλεται στο ότι το
 CurrFrmSTResd μπορεί να ανακτασκευαστεί πλήρως, εφόσον ο decoder έχει και τα CurrFrmExFull και τα b,N για κανει την πρόβλεψη. Η long term πρόβλεψη δημιουργεί loss αλλά αυτό φαίνεται στο 3ο παραδοτέο λόγω κβαντισμού των errors και υποδειγματοληψίας.