环境声音的深度学习模型比较
声音
2017-03-22 v1 机器学习
摘要
环境声音检测由于信号噪声大以及通常可用的（标记）数据量少，是机器学习的一个挑战性应用。因此，本工作比较了几种最先进的深度学习模型在IEEE声学场景与事件检测与分类（DCASE）2016挑战任务和数据上的表现，将声音分类为十五种常见室内外声学场景之一，如公交、咖啡馆、汽车、市中心、林间小道、图书馆、火车等。总共提供13小时立体声音频录音，使其成为可用的最大数据集之一。我们在六组特征上实验，包括标准梅尔频率倒谱系数（MFCC）、双耳MFCC、对数梅尔谱以及使用OpenSMILE提取的两种不同大规模时间池化特征。在这些特征上，我们应用五种模型：高斯混合模型（GMM）、深度神经网络（DNN）、循环神经网络（RNN）、卷积深度神经网络（CNN）和i-vector。使用后期融合方法，我们在4折交叉验证（CV）平均准确率上比基线72.5%提高15.6%，测试准确率提高11%，与DCASE 2016挑战的最佳结果匹配。在大型特征集上，深度神经网络模型优于传统方法，并在所有研究方法中取得最佳性能。与其他工作一致，性能最好的单一模型是非时间DNN模型，我们将其作为证据，表明DCASE挑战中的声音不表现出强时间动态。
引用
@article{arxiv.1703.06902,
title = {A Comparison of deep learning methods for environmental sound},
author = {Juncheng Li and Wei Dai and Florian Metze and Shuhui Qu and Samarjit Das},
journal= {arXiv preprint arXiv:1703.06902},
year = {2017}
}
备注
5 pages including reference