Unifying Isolated and Overlapping Audio Event Detection with Multi-Label Multi-Task Convolutional Recurrent Neural Networks
University of Oxford（牛津大学）；NIHR Oxford Biomedical Research Centre（英国国家健康研究所牛津生物医学研究中心）
我们提出了一个基于卷积递归神经网络的多标签多任务框架，以统一检测孤立和重叠的音频事件。该框架利用了卷积递归神经网络架构的强大功能;卷积层学习有效的特征，更高的递归层在这些特征上执行顺序建模。此外，输出层被设计为处理任意程度的事件重叠。在循环输出序列中的每个时间步，输出三元组专用于每个感兴趣的事件类别，以联合建模事件发生和时间边界。也就是说，网络通过估计每个循环时间步长处的起始和偏移位置来联合确定该类别的事件是否发生以及何时发生。然后，我们介绍了网络训练的三个连续损失：多标签分类损失，距离估计损失和置信度损失。我们在两个数据集上表现出良好的泛化能力：ITC-Irst用于孤立音频事件检测，TUT-SED-Synthetic-2016用于重叠音频事件检测。
2019-02-18 cs.LG cs.SD eess.AS
Joint Analysis of Sound Events and Acoustic Scenes Using Multitask Learning
Ritsumeikan University（立命馆大学）；Doshisha University（同志社大学）
声音事件检测和声场景分类是环境声音分析中的重要研究课题。许多研究小组已经使用基于神经网络的方法来解决SED和ASC，例如卷积神经网络（CNN）、递归神经网络（RNN）和卷积递归神经网络（CRNN）。传统的方法分别解决SED和ASC，即使声音事件和声学场景彼此密切相关。例如，在声学场景“办公室”中，可能发生声音事件“鼠标点击”和“键盘键入”。因此，预计有关声音事件和声学场景的信息将对SED和ASC相互帮助。在本文中，我们提出了多任务学习的声音事件和声学场景的联合分析，其中的部分网络持有的信息，声音事件和声学场景中的共同共享。使用TUT Sound Events 2016/2017和TUT Acoustic Scenes 2016数据集获得的实验结果表明，与传统的方法相比，所提出的方法在F-score方面分别将SED和ASC的性能提高了1.31和1.80个百分点。基于CRNN的方法。
2020-10-16 cs.SD eess.AS
Joint Analysis of Acoustic Scenes and Sound Events with Weakly labeled Data
Doshisha University（同志社大学）；Tokyo Metropolitan University（东京都立大学）
考虑到声学场景和声音事件之间的紧密联系，在以前的一些论文中，提出了利用基于多任务学习（MTL）的神经网络对声学场景和声音事件进行联合分析。在传统方法中，强监督方案被应用于MTL模型中的声音事件检测，这需要模型训练中的声音事件的强标签;然而，注释强事件标签是相当耗时的。因此，在本文中，我们提出了一种方法的联合分析的声学场景和声音事件的MTL框架的基础上与弱标签的声音事件。特别是，在所提出的方法中，我们引入了多实例学习计划弱监督训练的声音事件检测和评估四个池功能，即，最大池，平均池，指数softmax池，注意力池。使用部分TUT Acoustic Scenes 2016/2017和TUT Sound Events 2016/2017数据集获得的实验结果表明，所提出的基于弱标签的MTL方法在场景分类和事件检测性能方面优于传统的基于单任务的场景分类和事件检测模型。
2022-07-10 cs.SD eess.AS
Multi-dimensional Edge-based Audio Event Relational Graph Representation Learning for Acoustic Scene Classification
Ghent University（根特大学）；University of Cambridge（剑桥大学）；University of Manchester（曼彻斯特大学）；Baidu Inc.（百度公司）；University of Surrey（萨里大学）
大多数现有的基于深度学习的声学场景分类（ASC）方法直接利用从频谱图中提取的表示来识别目标场景。然而，这些方法很少关注发生在场景中的音频事件，尽管它们提供了重要的语义信息。本文进行的第一项研究，调查是否可以可靠地识别现实生活中的声学场景的基础上，描述了有限数量的音频事件的功能。为了对粗粒度声学场景和细粒度音频事件之间的任务特定关系进行建模，我们提出了一个用于ASC的事件关系图表示学习（ERGL）框架。具体而言，ERGL从输入音频中学习声学场景的图形表示，其中每个事件的嵌入被视为节点，而从每对事件嵌入中导出的关系线索由学习的多维边缘特征描述。在一个复调声学场景数据集上的实验表明，所提出的ERGL在ASC上实现了有竞争力的性能，只使用有限数量的音频事件嵌入，而没有任何数据增强。该框架的有效性证明了基于事件关系图的声学场景识别的可行性。我们的代码可以在我们的主页上找到（https：//github.com/Yuanbo2020/ERGL）。
2022-11-01 cs.SD eess.AS
Semi-supervised Acoustic Event Detection based on tri-training
Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）；Amazon（亚马逊）
本文介绍了我们的工作，训练声事件检测（AED）模型使用未标记的数据集。最近的声学事件检测器基于大规模神经网络，这些神经网络通常使用大量标记数据进行训练。声学事件的标签获得起来很昂贵，并且相关的声学事件音频可能有限，特别是对于罕见事件。在本文中，我们利用互联网规模的未标记的数据集与潜在的域转移，以提高检测的声学事件。基于经典的三重训练方法，我们提出的方法在所有预定义的声学事件检测任务中，都显示了监督训练基线和半监督自训练设置的准确性提高。由于我们的方法依赖于集成模型，我们进一步表明，可以通过知识蒸馏将改进提炼为单个模型，从而使单个学生模型保持教师集成模型的高精度。
2019-04-29 cs.LG cs.SD eess.AS
Relation-guided acoustic scene classification aided with event embeddings
Ghent University（根特大学）
在现实生活中，声学场景和音频事件自然相关。人类本能地依赖于细粒度的音频事件以及整体声音特征来区分不同的声学场景。然而，大多数先前的方法将声学场景分类（ASC）和音频事件分类（AEC）视为两个独立的任务。一些关于场景和事件联合分类的研究要么使用与真实世界几乎不匹配的合成音频数据集，要么简单地使用多任务框架同时执行两个任务。这两种方法都没有充分利用细粒度事件和粗粒度场景之间的内在联系。为此，本文提出了一个关系引导的ASC（RGASC）模型，以进一步开发和协调的场景和事件识别的互惠互利的场景和事件的关系。TUT Urban Acoustic Scenes 2018数据集（TUT 2018）通过简单高效的音频相关预训练模型PANN（最先进的AEC模型之一）使用事件的伪标签进行注释。然后，先验场景-事件关系矩阵被定义为每个场景类中每个事件类型存在的平均概率。最后，双塔RGASC模型在真实数据集TUT 2018上进行联合训练，用于场景和事件分类。取得了以下成果。1)RGASC有效地协调了粗粒度场景的真实信息和细粒度事件的伪信息。2)在先验场景-事件关系的指导下从伪标签学习的事件嵌入有助于减少相似声学场景之间的混淆。3)与其他（非集成）方法相比，RGASC提高了对真实数据集的场景分类精度。
2022-05-01 cs.SD eess.AS
Joint Direction and Proximity Classification of Overlapping Sound Events from Binaural Audio
Tampere University（坦佩雷大学）
声源邻近度和距离估计在许多实际应用中具有很大的意义，因为它们为声学景物分析提供了重要的信息。由于这两项任务具有互补性，因此确保这两者之间的有效互动对于完整的听觉环境至关重要。在本文中，我们的目标是研究几种方法来执行联合接近和方向估计从双耳录音，都定义为粗分类问题的基础上深神经网络（DNN）。考虑到双耳音频的局限性，我们提出了两种方法，分裂成角度的领域，以获得一组方向类的球体。对于每种方法，我们研究不同的模型类型，以获取有关到达方向（DoA）的信息。最后，我们提出了各种方法结合的接近和方向估计问题到一个联合任务提供时间信息的出现源的起始和偏移。实验进行合成混响双耳数据集组成的两个重叠的声音事件。
2021-07-26 cs.LG cs.SD eess.AS
Sound Event Detection Based on Curriculum Learning Considering Learning Difficulty of Events
Ritsumeikan University（立命馆大学）；Doshisha University（同志社大学）
在传统的声音事件检测（SED）模型中，两种类型的事件（即，在声学场景中存在的事件和不发生的事件）被视为相同类型的事件。传统的SED方法不能有效地利用这两种类型的事件之间的差异。没有在声学场景中发生的声音事件的所有时间帧在场景中容易被认为是不活动的，即，事件容易训练。除了在声学场景中不活动之外，场景中存在的事件的时间帧必须被分类为活动的，也就是说，事件难以训练。为了利用训练难度，我们将课程学习应用到SED中，其中模型从容易到难以训练的事件进行训练。为了利用课程学习，我们提出了一个新的目标函数的SED，其中的事件是从容易到难以训练的事件进行训练。实验结果表明，该方法的F-分数提高了10.09个百分点相比，传统的基于二进制交叉熵的SED。
2021-02-10 cs.SD
Joint framework with deep feature distillation and adaptive focal loss for weakly supervised audio tagging and acoustic event detection
Shanghai Normal University（上海师范大学）；Unisound AI Technology Co., Ltd.（云知声人工智能科技股份有限公司）；ByteDance（字节跳动）
一个好的联合训练框架有助于同时提高弱监督音频标记和声学事件检测的性能。在这项研究中，我们提出了三种方法来改进IEEE AASP声学场景和事件检测和分类挑战赛（DCASE）2019任务4中的最佳师生框架，用于音频标记和声学事件检测任务。首先提出了一种基于帧级目标事件的深度特征提取方法，旨在利用弱监督框架中有限的强标记数据来学习更好的中间特征图。然后，我们提出了一个自适应的焦点损失和两个阶段的训练策略，使一个有效的和更准确的模型训练，其中的贡献，硬和容易的声学事件的总代价函数可以自动调整。此外，一个特定的事件后处理的设计，以提高目标事件的时间戳的预测。在公开的DCASE 2019 Task 4数据集上进行了实验，结果表明，该方法在AT（81.2% F1-score）和AED（49.8% F1-score）任务上都取得了较好的性能.
2022-02-12 cs.SD eess.AS
Multi-Scale Time-Frequency Attention for Acoustic Event Detection
Tsinghua University（清华大学）；Institute of Forensic Science, Ministry of Public Security（公安部物证鉴定中心）；Key Laboratory of Intelligent Speech Technology, Ministry of Public Security（公安部智能语音技术重点实验室）
大多数基于注意力的方法只关注时间轴，这对于声事件检测（AED）是不够的。同时，以往的AED方法很少考虑目标事件具有明显的时间尺度和频率尺度。在这项工作中，我们提出了一个多尺度时频注意力（MTFA）模块的AED。MTFA以多个分辨率收集信息，以生成时频注意力掩码，该掩码告诉模型在时间和频率轴上关注何处。利用MTFA，模型可以捕捉不同尺度下目标事件的特征。我们在2017年声学场景和事件检测和分类（DCASE）挑战赛的任务2中演示了所提出的方法。我们的方法在开发数据集和评估数据集上都取得了有竞争力的结果。
2019-09-09 cs.SD eess.AS
Robust detection of overlapping bioacoustic sound events
University of Edinburgh（爱丁堡大学）；McGill University（麦吉尔大学）
提出Voxaboxen方法，基于起始点检测重叠生物声学事件，融合双向预测与图匹配，在新数据集及七个现有数据集上达到最先进性能。
2025-09-05 cs.LG cs.SD eess.AS
Joint Acoustic and Class Inference for Weakly Supervised Sound Event Detection
Johns Hopkins University（约翰斯·霍普金斯大学）；Ritsumeikan University（立命馆大学）
声音事件检测是一项具有挑战性的任务，特别是对于具有多个同时发生的事件的场景。虽然事件分类方法往往相当准确，但事件本地化带来了额外的挑战，特别是当大量标记数据不可用时。2018年DCASE挑战赛的任务4提出了一个事件检测任务，该任务要求在事件的分割和识别方面都具有准确性，同时只提供弱标记的训练数据。监督方法可以产生准确的事件标签，但当训练数据缺乏事件时间戳时，在事件分割方面受到限制。另一方面，对音频的声学特性进行建模的无监督方法可以产生准确的事件边界，但不受事件类别和声音类别的特征的指导。我们提出了一种混合方法，该方法结合了声学驱动的事件边界检测和使用深度神经网络的监督标签推理。该框架利用了无监督和有监督方法的优点，并利用了大量未标记的数据，使其成为大规模弱标记事件检测的理想选择。与基线系统相比，所提出的方法提供了一个15%的F-分数的绝对改善，证明了混合自下而上，自上而下的方法的好处。
2018-11-09 cs.SD eess.AS
Joint Analysis of Acoustic Scenes and Sound Events Based on Multitask Learning with Dynamic Weight Adaptation
Doshisha University（同志社大学）
声场景分类（ASC）和声音事件检测（SED）是环境声分析中的重要课题。考虑到声学场景和声音事件之间的紧密联系，在以往的一些工作中提出了使用基于多任务学习（MTL）的神经网络对声学场景和声音事件进行联合分析。传统方法使用具有恒定权重的ASC和SED损失函数的线性组合来训练基于MTL的模型。然而，传统的基于MTL的方法的性能强烈地依赖于ASC和SED损失的权重，并且难以确定ASC和SED的MTL损失的恒定权重之间的适当平衡。因此，在本文中，我们提出了动态权重自适应方法的ASC和SED的MTL的动态权重平均和多焦点损失的基础上自动调整学习权重。使用TUT Acoustic Scenes 2016/2017和TUT Sound Events 2016/2017的部分进行了评估实验，我们表明，与传统的基于MTL的方法相比，所提出的方法提高了场景分类和事件检测的性能特征。然后，我们研究了ASC和SED任务的学习权重如何随着模型训练的进展而动态适应。
2022-06-21 cs.SD eess.AS
Sound Event Detection by Multitask Learning of Sound Events and Scenes with Soft Scene Labels
Ritsumeikan University（立命馆大学）；NTT Media Intelligence Laboratories（NTT媒体智能实验室）
声音事件检测和声场景分类是环境声音分析的主要任务。考虑到声音事件和场景之间的紧密联系，一些研究工作提出了基于多任务学习（MTL）的声音事件和声场景的联合分析，其中声音事件和场景的知识可以帮助它们相互估计。传统的基于MTL的方法利用单热场景标签来训练声音事件和场景之间的关系;因此，传统的方法不能对声音事件和场景相关的程度进行建模。然而，在现实环境中，常见的声音事件可能发生在某些声学场景中;另一方面，一些声音事件仅发生在有限的声学场景中。因此，在本文中，我们提出了一种新的方法SED的基础上MTL的SED和ASC使用软标签的声学场景，这使我们能够模拟的程度，声音事件和场景相关。使用TUT Sound Events 2016/2017和TUT Acoustic Scenes 2016数据集进行的实验表明，与传统的基于MTL的SED相比，所提出的方法将SED性能提高了3.80%。
2020-02-14 cs.SD eess.AS
Polyphonic sound event detection for highly dense birdsong scenes
Tilburg University（蒂尔堡大学）；Naturalis Biodiversity Center（Naturalis生物多样性中心）
在日出前一个小时，人们可以体验到不同种类的鸟类一起唱歌的黎明合唱。在这种情况下，高水平的复调，如重叠声源的数量，容易发生，导致复杂的声学结果。声音事件检测（SED）任务分析声学场景，以便识别发生的事件及其各自的时间信息。然而，高度密集的场景可能难以处理，并且尚未进行深入研究。在这里，我们展示了使用卷积递归神经网络（CRNN），如何在处理更高的复调时检测鸟鸣复调场景，以及这种类型的模型如何有效地面对一个非常密集的场景，多达10只重叠的鸟。我们发现，用更密集的例子训练的模型（即，更高的复调）以与在其训练集中使用更简单样本的模型相似的速率学习。此外，用密度最小的样本训练的模型对所有复调保持一致的分数，而用密度最小的样本训练的模型随着复调的增加而下降。我们的研究结果表明，高密度的声学场景可以处理使用CRNN。我们希望这项研究作为一个起点，工作高度人口稠密的鸟类场景，如黎明合唱或其他密集的声学问题。
2022-07-13 cs.SD eess.AS
A Comparison of Pooling Methods on LSTM Models for Rare Acoustic Event Classification
Amazon.com Inc.（亚马逊公司）；Salesforce Research（Salesforce研究院）
声事件分类（AEC）和声事件检测（AED）是指检测音频中是否出现特定目标事件的任务。由于长短期记忆（LSTM）在各种语音相关任务中产生了最先进的结果，因此它也被用作AEC的流行解决方案。本文重点研究了AEC任务上LSTM模型的动态特性。它包括对LSTM内存保留的详细分析，以及使用具有不同信噪比的多个事件的1.7M生成的混合剪辑对LSTM模型上的九种不同池化方法进行基准测试。本文着重于理解：1）话语级分类准确性; 2）对话语中事件位置的敏感性。该分析是在DCASE 2017挑战赛中检测罕见声音事件的数据集上完成的。我们发现最大池的预测水平上执行最好的九个池的方法中的分类准确性和不敏感性的话语内的事件位置。据作者所知，这是第一种专注于AEC任务的LSTM动态的此类工作。
2020-02-14 cs.SD eess.AS
Joint Analysis of Acoustic Scenes and Sound Events Based on Semi-Supervised Training of Sound Events With Partial Labels
Graduate School of Informatics, Kyoto University, Japan（信息学研究生院，京都大学，日本）
针对声音事件标注成本高的问题，提出利用声学场景信息构建部分标签的多任务联合分析框架，并结合半监督训练与自蒸馏标签精炼方法，平衡标注成本与检测性能。
2025-10-29 cs.SD eess.AS
Audio Event-Relational Graph Representation Learning for Acoustic Scene Classification
Ghent University（根特大学）；University of Leicester（莱斯特大学）；University College London（伦敦大学学院）；University of Surrey（萨里大学）
针对现有声学场景分类方法可解释性不足的问题，提出基于音频事件关系图的表示学习框架ERGL，以事件嵌入为节点、多维边特征表征关系，仅用少量音频事件嵌入学习就在真实数据集上取得有竞争力的分类性能，同时可明确解释分类线索。
2023-10-05 cs.SD eess.AS
Multi-ACCDOA: Localizing and Detecting Overlapping Sounds from the Same Class with Auxiliary Duplicating Permutation Invariant Training
Sony Group Corporation（索尼集团公司）
声音事件定位和检测（SELD）涉及识别到达方向（DOA）和事件类别。SELD方法具有类式输出格式，使模型预测所有声音事件类和相应位置的活动。类的方法可以输出活动耦合笛卡尔DOA（ACCDOA）向量，这使我们能够解决一个SELD任务与一个单一的目标使用一个单一的网络。然而，在从多个位置检测相同的事件类方面仍然存在挑战。为了克服这个问题，同时保持类的格式的优点，我们扩展ACCDOA到一个多，并提出了辅助重复排列不变的训练（ADPIT）。多ACCDOA格式（类和跟踪输出格式）使模型能够解决来自同一类的重叠情况。类式ADPIT方案使得多ACCDOA格式的每个轨道能够以与单ACCDOA格式相同的目标进行学习。在使用DCASE 2021 Task 3数据集进行的评估中，使用多ACCDOA格式和类ADPIT训练的模型检测到来自同一类的重叠事件，同时在其他情况下保持其性能。此外，所提出的方法执行的状态的最先进的SELD方法与较少的参数。
2022-03-28 cs.SD eess.AS
CNN-based Discriminative Training for Domain Compensation in Acoustic Event Detection with Frame-wise Classifier
Shanghai Normal University（上海师范大学）；Unisound AI Technology Co., Ltd.（云知声人工智能科技有限公司）
在实际应用中，由于目标域数据难以获取，域失配是声事件检测任务中值得注意的问题。在这项研究中，我们提出了一种新的基于CNN的区分训练框架作为域补偿方法来处理这个问题。它使用一个并行的基于CNN的学习器来学习一对高级中间声学表示。与二进制判别损失一起，判别器被迫最大限度地利用具有目标事件的每个音频片段中的异质声学信息的判别，这导致可以很好地分别判别目标事件和背景/域变化的鲁棒配对表示。此外，为了更好地学习目标事件的瞬态特性，设计了一个逐帧分类器来执行最终分类。此外，一个两阶段的训练与基于CNN的训练初始化进一步提出了加强系统的训练。所有实验都在DCASE 2018 Task 3数据集上进行。结果表明，我们的建议显着优于官方基线的跨域条件下的AUC的相对$1.8-12.1$ %没有任何性能下降域内的评估条件。
2021-03-26 cs.SD eess.AS
Deep Convolutional Neural Networks and Data Augmentation for Acoustic Event Detection
Sony Corporation（索尼公司）；ETH Zurich（苏黎世联邦理工学院）
提出了一种新的声事件检测方法。与语音相反，来自声学事件的声音可以由各种各样的源产生。此外，由于缺乏明确的子词单位，区分它们通常需要分析延长的时间段。为了将AED的长时间频率结构，我们引入了一个卷积神经网络（CNN）与一个大的输入字段。与以前的工作相比，这使得能够训练音频事件检测端到端。我们的架构受到VGGNet成功的启发，并使用小的3x3卷积，但比AED中以前的方法更深入。为了防止过度拟合，并充分利用我们的网络的建模能力，我们进一步提出了一种新的数据增强方法来引入数据变化。实验结果表明，我们的CNN显着优于最先进的方法，包括音频词袋（BoAW）和经典的CNN，实现了16%的绝对改善。
2016-12-08 cs.MM cs.SD
Acoustic Event Detection with Classifier Chains
LINE Corporation（LINE公司）；Carnegie Mellon University（卡内基梅隆大学）；Nagoya University（名古屋大学）；Human Dataware Lab. Co., Ltd.（Human Dataware实验室有限公司（注：此处按原文机构名直译，“Human Dataware Lab. Co., Ltd.”的中文常见译法可参考，但严格按原文机构名提取））
提出了一种基于概率链规则的分类器--分类器链的声事件检测方法。建议AED与分类器链由一个门控递归单元，并执行迭代二进制检测的每个事件一个接一个。在每次迭代中，事件的活动被估计并用于基于概率链规则来调节下一个输出以形成分类器链。因此，所提出的方法可以处理事件之间的相互依赖性分类，而传统的AED方法与多个二进制分类器的线性层和sigmoid函数放置了一个假设的条件独立性。在与真实记录数据集的实验中，所提出的方法证明了其优越的AED性能，与具有多个二进制分类器的卷积递归神经网络基线系统相比，相对提高了14.80%。
2022-02-17 cs.SD eess.AS
Impact of Acoustic Event Tagging on Scene Classification in a Multi-Task Learning Framework
University of Maryland（马里兰大学）；Amazon.com Inc（亚马逊公司）
声学事件是具有明确定义的频谱-时间特性的声音，其可以与产生它们的物理对象相关联。声学场景是没有特定时间顺序的声学事件的集合。鉴于事件和场景之间的这种自然联系，人们普遍认为，对事件进行分类的能力必须有助于对场景进行分类。这导致了尝试使用多任务网络在声学事件标记（AET）和声学场景分类（ASC）上做得很好的若干努力。然而，在这些努力中，一项任务的改进并不能保证另一项任务的改进，这表明ASC和AET之间存在紧张关系。目前尚不清楚AET的改善是否转化为ASC的改善。我们通过广泛的实证研究来探索这个难题，并表明在一定条件下，使用AET作为多任务网络中的辅助任务，可以持续提高ASC性能。此外，ASC性能随着AET数据集大小而进一步提高，并且对AET数据集中事件的选择或事件的数量不敏感。我们的结论是，这种改善在ASC性能来自正则化的效果，使用AET，而不是从网络的改进能力，以区分声事件。
2022-06-27 cs.AI cs.LG cs.SD
Acoustic Scene Classification by Implicitly Identifying Distinct Sound Events
Harbin Institute of Technology（哈尔滨工业大学）；Harbin Normal University（哈尔滨师范大学）
在本文中，我们提出了一种新的策略，声学场景分类（ASC），即识别声学场景通过识别不同的声音事件。这与现有的策略不同，现有的策略专注于表征音频的全局声学分布或短期音频特征的时间演变，而不分析声音事件的水平。为了识别每个场景的不同声音事件，我们在多实例学习（MIL）框架中制定ASC，其中每个音频记录被映射到一个实例包表示。在这里，实例可以被视为场景内声音事件的高级表示。我们还提出了一个MIL神经网络模型，它隐含地识别不同的实例（即，声音事件）。此外，我们提出了两个专门设计的模块，分别模拟声音事件的多时间尺度和多模态性质。实验是在DCASE2018任务1子任务B的官方开发集上进行的，我们的最佳模型在分类准确率方面比官方基线提高了9.4%（68.3% vs 58.9%）。这项研究表明，通过识别不同的声音事件来识别声学场景是有效的，并为未来的研究铺平了道路，将这种策略与以前的。
2019-04-27 cs.LG cs.SD eess.AS
Cross-task pre-training for on-device acoustic scene classification
Didi Chuxing（滴滴出行）
声场景分类（ASC）和声事件检测（AED）是两个不同但又相关的任务。声学事件可以为声学场景的识别提供有用的信息。然而，大多数数据集都没有提供声学事件或场景标签。为了利用声事件信息来提高ASC任务的性能，我们提出了跨任务预训练机制，该机制利用来自预训练的AED模型的声事件信息用于ASC任务。另一方面，大多数模型都是在计算资源丰富的平台上设计和实现的，在设备上的应用有限。为了解决这个问题，我们使用模型蒸馏方法来压缩我们的跨任务模型，使设备上的声学场景分类。在本文中，跨任务模型及其学生模型在两个数据集上进行了训练和评估：TAU Urban Acoustic Scenes 2019数据集和TUT Acoustic Scenes 2017数据集。实验结果表明，跨任务预训练机制可以显著提高ASC任务的绩效。与官方基线相比，我们最好的模型在TAU Urban Acoustic Scenes 2019数据集中的性能提高了9.5%，在TUT Acoustic Scenes 2017数据集中也提高了10%。同时，学生模型的表现要比没有教师的模型好得多。
2020-10-24 cs.LG cs.SD eess.AS
Binaural Signal Representations for Joint Sound Event Detection and Acoustic Scene Classification
Tampere University（坦佩雷大学）
声音事件检测和声学场景分类是两个被广泛研究的音频任务，是声景物分析研究的重要组成部分。考虑到声音事件和声学场景之间的共享信息，联合执行这两项任务是复杂机器收听系统的自然部分。在本文中，我们研究了几种空间音频特征在训练执行SED和ASC的联合深度神经网络（DNN）模型中的有用性。实验进行两个不同的数据集，包含双耳录音和同步的声音事件和声学场景标签，以分析单独或联合执行SED和ASC之间的差异。所提出的结果表明，使用特定的双耳功能，主要是广义互相关相位变换（GCC-PHAT）和正弦和余弦的相位差，导致在单独的和联合的任务相比，基线方法的基础上logmel能量只有一个更好的表现模型。
2022-09-13 cs.CV cs.LG cs.SD
A Four-Stage Data Augmentation Approach to ResNet-Conformer Based Acoustic Modeling for Sound Event Localization and Detection
University of Science and Technology of China（中国科学技术大学）；iFlytek（科大讯飞）；Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们提出了一种新的四阶段的数据增强方法ResNet-Conformer为基础的声学建模的声音事件定位和检测（SELD）。首先，我们探讨了两种空间增强技术，即音频通道交换（ACS）和多通道模拟（MCS），以处理在SELD数据稀疏。ACS和MDS专注于用扩展的到达方向（DOA）表示来增强有限的训练数据，使得用增强的数据训练的声学模型对声源的定位变化是鲁棒的。其次，时域混合（TDM）和时频掩蔽（TFM）也被研究，以处理重叠的声音事件和数据的多样性。最后，将ACS、MCS、TDM和TFM逐步结合起来，形成一个有效的四阶段数据增强方案。在声学场景和事件的检测和分类（DCASE）2020数据集上进行测试，我们提出的增强方法大大提高了系统性能，将我们提交的系统在DCASE 2020挑战赛的SELD任务中排名第一。此外，我们采用ResNet-Conformer架构来建模音频序列的全局和局部上下文依赖关系，并在DCASE 2022 SELD评估中获得第一名。
2023-03-07 cs.SD eess.AS
Dynamic Multi-Species Bird Soundscape Generation with Acoustic Patterning and 3D Spatialization
George Mason University（乔治·马歇尔大学）；Stanford University（斯坦福大学）
本文提出了一种基于算法驱动的框架，通过DSP生成和3D空间化技术，实现动态多物种鸟类声音景观的生成，具备高灵活性和生态真实性。
2025-11-24 cs.AI cs.SD eess.AS
Compression of Acoustic Event Detection Models with Low-rank Matrix Factorization and Quantization Training
Toyota Technological Institute At Chicago（芝加哥丰田理工学院）；Amazon（亚马逊）
在本文中，我们提出了一种基于低秩矩阵分解和量化训练相结合的压缩方法，以降低基于神经网络的声事件检测（AED）模型的复杂性。我们的实验结果表明，这种组合压缩方法是非常有效的。对于基于三层长短期记忆（LSTM）的AED模型，原始模型大小可以减少到1%，而精度损失可以忽略不计。我们的方法使部署AED资源有限的应用程序的可行性。
2019-05-02 cs.CL cs.SD eess.AS
A Joint Framework for Audio Tagging and Weakly Supervised Acoustic Event Detection Using DenseNet with Global Average Pooling
Amazon.com Inc.（亚马逊公司）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）
本文提出了一种主要用于音频标记的网络架构，该架构也可用于弱监督声事件检测（AED）。建议的网络由一个修改后的DenseNet作为特征提取器，和一个全局平均池（GAP）层在推理时预测帧级标签。该架构受到Zhou等人提出的工作的启发，一个众所周知的框架，使用GAP来本地化给定图像级标签的视觉对象。虽然大多数弱监督AED的先前工作使用具有基于注意力的机制的递归层来定位声学事件，但所提出的网络使用DenseNet提取的特征图直接定位事件，而无需任何递归层。在DCASE 2017的音频标记任务中，我们的方法在绝对值方面在开发集上的F1得分中显著优于最先进的方法5.3%，在评估集上为6.0%。对于DCASE 2018中的弱监督AED任务，我们的模型通过使用数据增强和tri-training来利用未标记的数据，在绝对值方面，我们的模型在基于事件的F1中的性能优于最先进的方法8.1%，在eval集上的性能优于0.5%。
2020-08-07 cs.SD eess.AS
Sound Event Localization based on Sound Intensity Vector Refined By DNN-Based Denoising and Source Separation
NTT Media Intelligence Laboratories（NTT媒体智能实验室）；Ritsumeikan University（立命馆大学）
提出了一种用于声事件定位与检测的波达方向估计方法。使用深度神经网络（DNN）的DOA的直接估计，即完全数据驱动的方法，实现了高精度。然而，有一个单一的和重叠的源DOA估计的准确性之间的差距，因为他们不能把物理知识。同时，虽然基于物理的方法的准确性不如基于DNN的方法，但它对重叠源具有鲁棒性。在这项研究中，我们考虑了基于物理和基于DNN的方法的组合;基于DNN的去噪和源分离的基础上，改进了基于物理的DOA估计的声强向量（IV）。该方法能够实现球形麦克风阵列对单个声源和重叠声源的准确DOA估计。实验结果表明，所提出的方法达到了国家的最先进的DOA估计精度上的SELD的开放数据集。
2020-02-14 cs.SD eess.AS
Transferring Voice Knowledge for Acoustic Event Detection: An Empirical Study
Facebook（脸书）
从音频中检测常见事件和场景对于提取和理解日常生活中的人类上下文是有用的。先前的研究已经表明，利用来自相关领域的知识对于目标声事件检测（AED）过程是有益的。受日常生活中许多以人为中心的声学事件涉及语音元素的观察的启发，本文研究了从公共扬声器数据集中提取的高级语音表示的传输潜力，以丰富AED管道。为此，我们开发了一种双分支神经网络架构，用于在AED过程中联合学习语音和声学特征，并进行了彻底的实证研究，以检查具有不同类型输入的公共AudioSet [1]的性能。我们的主要观察结果是：1）音频和语音输入的联合学习提高了CNN基线（0.292 vs 0.134 mAP）和TALNet [2]基线（0.361 vs 0.351 mAP）的AED性能（平均精度）; 2）增强额外的语音特征对于最大化双输入模型性能至关重要。
2021-10-07 cs.AI cs.SD eess.AS
Modelling of Sound Events with Hidden Imbalances Based on Clustering and Separate Sub-Dictionary Learning
NEC Corporation（日本电气股份有限公司）；Data Science Research Laboratories（数据科学研究实验室）
本文提出了一种有效的建模与隐藏的数据大小不平衡的声音事件谱，改进声事件检测（AED）。该方法将每个事件建模为几个潜在因素的聚合表示，而传统方法试图直接从事件谱中找到声学元素。在该方法中，所有事件的所有潜在因素被分配相当的重要性和复杂性，以克服隐藏的事件谱数据大小的不平衡。为了提取每个事件中的潜在因素，所提出的方法采用聚类和执行非负矩阵分解每个潜在因素，并学习其声学元素作为一个子字典。单独的子字典学习有效地对具有有限数据大小的声学元素进行建模，并避免由于训练数据中隐藏的不平衡而导致的过度拟合。对于来自DCASE 2013挑战的复音声音事件检测任务，基于所提出的建模的AED实现了46.5%的检测F-测量，与现有的最先进的方法相比，显著提高了19%以上。
2019-04-05 cs.SD eess.AS
Few-shot acoustic event detection via meta-learning
Amazon（亚马逊）
本文研究了Few-Shot声事件检测方法。少样本学习使得能够利用非常有限的标记数据来检测新事件。与计算机视觉等其他研究领域相比，用于音频识别的少样本学习研究不足。我们制定了Few-Shot AED问题，并探讨了利用传统的监督方法，这种设置以及各种元学习方法，这是传统上用于解决Few-Shot分类问题的不同方式。与监督基线相比，元学习模型具有更好的性能，从而显示出其对新音频事件的泛化效果。我们的分析包括初始化和域差异的影响，进一步验证了元学习方法在Few-Shot AED中的优势。
2020-02-21 cs.LG cs.SD eess.AS
Leveraging Geometrical Acoustic Simulations of Spatial Room Impulse Responses for Improved Sound Event Detection and Localization
New York University（纽约大学）
本研究提出利用几何声学仿真生成空间房间脉冲响应（SRIR）数据集，以解决声事件定位与检测（SELD）任务中空间音频训练数据不足的问题，有效提升了模型性能并改进了现有基准。
2023-09-06 cs.SD eess.AS
Incremental Learning of Acoustic Scenes and Sound Events
Tampere University（坦佩雷大学）
本研究针对声学场景分类与音频标注的增量学习中存在的灾难性遗忘问题，提出结合独立学习与知识蒸馏的CNN增量学习方法，在TUT 2016/2017数据集上验证了其在保留旧任务性能的同时学习新任务的有效性。
2023-08-24 cs.SD eess.AS
Sound Event Detection in Multichannel Audio Using Spatial and Harmonic Features
Tampere University of Technology（坦佩雷理工大学）
在本文中，我们提出了使用空间和谐波特征结合长短期记忆（LSTM）递归神经网络（RNN）的自动声音事件检测（SED）任务。现实生活中的录音通常有许多重叠的声音事件，使得很难仅用单声道音频来识别。人类听众已经成功地使用音高线索识别重叠声音事件的混合，并利用在他们的耳朵处可用的立体声（多通道）音频信号来空间定位这些事件。传统上，SED系统仅使用单声道音频，出于人类听众的动机，我们建议将其扩展为使用多声道音频。在TUT声音事件检测2016数据库的开发子集上，将所提出的SED系统与最先进的单声道方法进行比较。空间和谐波特征的使用被证明可以提高SED的性能。
2017-06-07 cs.LG cs.SD
Compression of Acoustic Event Detection Models With Quantized Distillation
Amazon（亚马逊）
声学事件检测（AED），旨在检测基于音频信号的事件的类别，已经在许多智能系统中得到应用。最近，深度神经网络大大推进了这一领域，并大规模减少了检测错误。然而，如何在AED中有效地执行深度模型受到的关注要少得多。与此同时，最先进的AED模型基于大型深度模型，这些模型对计算要求很高，并且在计算资源受限的设备上部署具有挑战性。在本文中，我们提出了一种简单而有效的压缩方法，该方法联合利用知识蒸馏和量化将较大的网络（教师模型）压缩为紧凑的网络（学生模型）。实验结果表明，该方法不仅通过蒸馏将原紧致网络的错误率降低了15%，而且通过量化进一步大幅度减小了其模型大小（教师的2%，全精度学生的12%）。
2019-07-01 cs.LG cs.SD eess.AS
Visually-aware Acoustic Event Detection using Heterogeneous Graphs
The University of Warwick（华威大学）；Google Research（谷歌研究院）；The University of Glasgow（格拉斯哥大学）
听觉事件的感知本质上是多模态的，依赖于听觉和视觉线索。大量现有的多模态方法使用模态特定的模型处理每个模态，然后融合嵌入以编码联合信息。相比之下，我们采用异构图来明确捕获模态之间的空间和时间关系，并表示有关潜在信号的详细信息。使用异构图方法来解决视觉感知的声学事件分类的任务，其作为一种紧凑、高效和可扩展的方式来以图的形式表示数据。通过异构图，我们有效地建模内和模态间的关系在空间和时间尺度。我们的模型可以通过相关的超参数轻松地适应不同尺度的事件。AudioSet，一个大型的基准测试，实验表明，我们的模型达到了最先进的性能。
2022-07-16 cs.LG cs.MM cs.SD
Multichannel Sound Event Detection Using 3D Convolutional Neural Networks for Learning Inter-channel Features
Tampere University of Technology（坦佩雷理工大学）；Aalto University（阿尔托大学）
在本文中，我们提出了一个堆叠的卷积和递归神经网络（CRNN）与三维卷积神经网络（CNN）在第一层的多通道声音事件检测（SED）任务。3D CNN使网络能够从输入的多声道音频中同时学习声道间和声道内特征。为了评估所提出的方法，多声道音频数据集与不同数量的重叠声源合成。每个数据集都有一个四声道一阶Ambisonic，双耳和单声道版本，使用所提出的方法比较SED的性能，以研究使用多声道音频的SED的潜力。还对真实录音TUT-SED 2017开发数据集的双耳和单通道版本进行了类似的研究。所提出的方法可以更快地从多通道特征中识别重叠的声音事件，并且使用更少的训练时期来执行更好的SED。结果表明，在使用多声道高保真音频代替单声道音频时，我们将总体F分数提高了7.5%，总体出错率提高了10%，并且在具有四个重叠声源的时间帧中识别出15.6%以上的声音事件。
2018-01-29 cs.LG cs.SD eess.AS
Compact recurrent neural networks for acoustic event detection on low-energy low-complexity platforms
ICT-irst Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会ICT-irst研究所）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
户外声学事件检测是一个令人兴奋的研究领域，但由于需要复杂的算法和深度学习技术，通常需要许多计算，内存和能源资源，因此面临挑战。这一挑战阻碍了物联网的实施，因为物联网需要有效利用资源。然而，当前的嵌入式技术和微控制器已经在不影响能源效率的情况下提高了它们的能力。本文通过在物联网资源受限的嵌入式平台上优化深度学习技术，解决了边缘声音事件检测的应用。贡献是双重的：首先，提出了一个两阶段的学生-教师方法，使最先进的神经网络的声音事件检测适合当前的微控制器;其次，我们测试我们的方法在ARM Cortex M4上，特别是专注于与8位量化的问题。我们的嵌入式实现可以在Urbansound 8 k上实现68%的识别准确率，与最先进的性能相差不远，每秒音频流的推理时间为125 ms，仅34.3 kB RAM的功耗为5.5 mW。
2020-01-29 cs.LG cs.SD eess.AS
Empirical Interpretation of the Relationship Between Speech Acoustic Context and Emotion Recognition
University of Sheffield（谢菲尔德大学）
本研究使用基于注意力的方法探讨声学上下文和音素边界对语音情感识别局部标记的影响，通过跨语料库实验验证分布式情感理解的优势，旨在连接心理语言学理论与计算建模。
2023-06-30 cs.AI cs.LG cs.SD
Robust Feature Learning on Long-Duration Sounds for Acoustic Scene Classification
声学场景分类（ASC）旨在识别记录给定音频信号的场景（环境）的类型。对数梅尔特征和卷积神经网络（CNN）最近成为ASC中最流行的时频（TF）特征表示和分类器。在场景中记录的音频信号可以包括在时间和频率上重叠的各种声音。先前的研究表明，在CNN中分别考虑长持续时间的声音和短持续时间的声音可能会提高ASC的准确性。本研究针对声场景分类器的泛化能力问题。在实际应用中，声场景信号的特性会受到各种因素的影响，如记录设备的选择和记录位置的变化。当已建立的ASC系统预测在看不见的场景中记录的音频的场景类别时，其准确性可能会显著下降。长持续时间的声音不仅包含与域无关的声学场景信息，而且还包含由记录条件确定的通道信息，这易于过拟合。为了使ASC系统更加鲁棒，我们提出了一个鲁棒的特征学习（RFL）框架来训练CNN。RFL框架降低了CNN学习的权重，特别是在长时间声音上。所提出的方法是训练一个辅助分类器，只有长持续时间的声音信息作为输入。辅助分类器是用辅助损失函数训练的，该辅助损失函数向分类不良的示例分配比标准交叉熵损失更少的学习权重。实验结果表明，所提出的RFL框架可以获得一个更强大的声学场景分类器对看不见的设备和城市。
2021-08-11 cs.AI cs.SD
Proceedings of the LOCATA Challenge Workshop -- a satellite event of IWAENC 2018
用于声源定位和跟踪的算法提供关于声学环境中的有源声源的位置信息的估计，并且对于诸如个人助理、智能家居、电话会议系统、助听器或自主系统的广泛应用是必不可少的。IEEE-AASP声源定位和跟踪挑战赛（LOCATA）的目的是使用音频和声学信号处理应用中通常遇到的场景的开放访问录音数据语料库，客观地对最先进的定位和跟踪算法进行基准测试。挑战性的任务范围从一个单一的源与静态麦克风阵列的定位到多个移动源与移动麦克风阵列的跟踪。
2019-08-20 cs.SD eess.AS
Transformer based unsupervised pre-training for acoustic representation learning
DiDi Chuxing（滴滴出行）
近年来，各种声学任务和相关应用出现。对于许多声学任务，标记的数据大小可能是有限的。为了解决这个问题，我们提出了一种无监督的预训练方法，使用基于Transformer的编码器来学习所有声学任务的通用且鲁棒的高级表示。实验在三种声学任务上进行：语音情感识别、声音事件检测和语音翻译。所有的实验都表明，使用自己的训练数据进行预训练可以显着提高性能。在结合了MuST-C、Librispeech和ESC-US数据集的更大的预训练数据的情况下，对于语音情感识别，UAR可以在IEMOCAP数据集上进一步提高4.3%。对于声音事件检测，F1分数可以在DCASE 2018 task 5开发集上进一步提高1.5%，在评估集上提高2.1%。对于语音翻译，BLEU评分在En-De数据集上可以进一步提高12.2%，在En-Fr数据集上可以进一步提高8.4%。
2021-02-08 cs.SD eess.AS
Sound Event Detection in Urban Audio With Single and Multi-Rate PCEN
New York University（纽约大学）；Center for Data Science（数据科学中心）
最近的文献已经证明，使用每通道能量归一化（PCEN），具有显着的性能改善，在声学声音事件检测（SED）在多类设置与重叠事件的传统的对数缩放梅尔频谱图。然而，PCEN的参数的配置对记录环境、感兴趣的事件的类别的特性以及多个重叠事件的存在敏感。这导致了在类与类之间的改进，但是跨类性能很差。在本文中，我们使用UrbanSED数据集，实验使用PCEN频谱图作为城市音频中SED的替代方法，展示了基于参数配置的每类改进。此外，我们解决跨类性能与PCEN使用一种新的方法，多速率PCEN（MRPCEN）。我们展示了跨类SED性能与MRPCEN，展示了跨类性能的改进相比，传统的单速率PCEN。
2021-02-06 cs.LG cs.SD eess.AS
Contrastive Loss Based Frame-wise Feature disentanglement for Polyphonic Sound Event Detection
Harbin Institute of Technology（哈尔滨工业大学）
针对重叠声音事件检测中帧级特征纠缠导致区分能力下降的问题，本文提出类别特定解耦特征学习框架，并设计帧级对比损失及半监督扩展，利用未标注数据提升多音事件检测性能。
2024-01-11 cs.SD eess.AS
Sound Event Detection Utilizing Graph Laplacian Regularization with Event Co-occurrence
Ritsumeikan University（立命馆大学）；University of Kitakyusyu（北九州市立大学）
针对声学场景中声音事件常共现的特点，提出结合事件共现图拉普拉斯正则化的声音事件检测方法，在多个公开数据集上较传统方法显著提升了检测性能，尤其对共现事件检测更准确。
2020-04-25 cs.SD eess.AS
Learning to Detect Novel and Fine-Grained Acoustic Sequences Using Pretrained Audio Representations
Apple（苹果公司）
本研究针对无可用非目标音频的新型细粒度声学序列小样本检测问题，开发了预训练音频表示的流程及迁移方法，实验验证了预训练嵌入的通用性及对小样本检测框架的支撑作用。
2023-05-03 cs.LG cs.SD eess.AS
Acoustic scene analysis with multi-head attention networks
Amazon Alexa（亚马逊 Alexa）
声学场景分类（ASC）是一项具有挑战性的任务，因为单个场景可能涉及包含复杂声音模式的多个事件。例如，烹饪场景可能包含几个声源，包括银器叮当声、切碎声、油炸声等。使ASC更加复杂的是，不同活动的类别可能具有重叠的声音模式（例如，烹饪和洗碗都可能具有银器叮当声）。在本文中，我们提出了一个多头注意力网络来模拟复杂的时间输入结构的ASC。该网络将音频的时频表示作为输入，并利用标准VGG和LSTM层来提取高级特征表示。此外，它采用多个注意头，总结各种模式的声音事件到固定的维度表示，为最终的场景分类的目的。整个网络通过反向传播以端到端的方式进行训练。实验结果证实，我们的模型发现有意义的声音模式，通过注意力机制，而不使用显式的监督对齐。我们使用DCASE 2018任务5数据集评估了我们提出的模型，并取得了与之前获奖者结果相当的竞争力。
2019-09-16 cs.LG cs.SD eess.AS
SoundCompass: Navigating Target Sound Extraction With Effective Directional Clue Integration In Complex Acoustic Scenes
SoundCompass通过整合SPIN模块、SH嵌入和CoI策略，有效提取复杂声学场景中的目标声音。
2026-01-27 cs.AI cs.SD eess.AS
A Gait Triaging Toolkit for Overlapping Acoustic Events in Indoor Environments
MiiHealth；MiiCare
步态已被用于临床和医疗保健应用，以评估老年人的身体和认知健康。基于声学的步态检测是被动且非侵入性地收集老年人步态数据的一种很有前途的方法。然而，在开发可以在家庭和护理院的嘈杂复音声学场景中操作的基于声学的步态检测器方面的工作有限。我们将此归因于缺乏来自真实世界的高质量步态数据集来训练步态检测器。在本文中，我们提出了一种新的基于机器学习的滤波器，该滤波器可以对步态音频样本进行分类，适合于训练用于步态检测的机器学习模型。滤波器通过消除f（1）分数为0.85的噪声样本并优先考虑具有不同光谱特征和最小噪声的步态样本来实现这一点。为了证明过滤器的有效性，我们对从老年人收集的步态数据集进行训练和评估深度学习模型，使用和不使用过滤器。当使用过滤后的步态样本进行训练时，该模型在看不见的真实步态数据上的f（1）分数增加了25个点。拟议的过滤器将有助于自动执行步态样本的手动注释任务，以便为室内环境中的老年人训练基于声学的步态检测模型。
2022-11-11 cs.SD eess.AS
Environmental sound analysis with mixup based multitask learning and cross-task fusion
South China Normal University（华南师范大学）
环境声分析是目前越来越受到重视的问题。在该领域中，声场景分类和声事件分类是两个密切相关的任务。在这封信中，提出了一个两阶段的方法，上述任务。在第一阶段，提出了一种基于混合的MTL解决方案，在一个单一的卷积神经网络分类两个任务。在MTL模型的训练中使用了人工多标签样本，这些样本使用现有的单任务数据集混合。所得到的多任务模型可以有效地识别声场景和事件。与重标注、综合等方法相比，基于混淆的MTL具有成本低、灵活有效等优点。在第二阶段中，MTL模型被修改为单任务模型，该模型使用对应于特定任务的原始数据集进行微调。通过对冻结层的精细控制，融合了任务特定的高层特征，进一步提高了单个分类任务的性能。该方法证实了声场景和声事件分类的互补性。最后，通过集成学习增强，TUT声学场景2017数据集和ESC-50数据集上的准确率分别达到84.5%和77.5%。
2021-03-30 cs.CV cs.MM cs.SD
DNN Transfer Learning based Non-linear Feature Extraction for Acoustic Event Classification
Korea University（高丽大学）；Incheon National University（仁川国立大学）
最近的声事件分类研究集中在训练合适的滤波器来表示声事件。然而，由于目标事件数据库的有限可用性和传统滤波器的线性，仍然存在改进性能的空间。通过利用深度神经网络（DNN）的非线性建模及其在预训练环境之外学习的能力，这封信提出了一种基于DNN的特征提取方案，用于声学事件的分类。室内监控环境数据库的使用证明了所提出的方法的有效性和鲁棒性的噪声。
2017-08-11 cs.SD
