基于卷积神经网络的多层时间池化声学场景分类
声音
2019-04-04 v3 音频与语音处理
摘要
声学场景分类（ASC）系统的性能高度依赖于音频信号的潜在时间动态。本文提出一种以 CNN 特征序列为输入的多层时间池化方法，其通过在序列与其时间索引间建立直接连接，可有效捕获任意时长整段音频信号的时间动态。我们将该新颖框架应用于 DCASE 2018 任务 1（ASC）。为评估，我们使用所提多层时间池化（MLTP）学习到的特征训练了支持向量机（SVM）。在开发数据集上的实验结果表明，使用 MLTP 特征显著提升了 ASC 性能。通过实验中找到的最优设置取得了 75.28% 准确率的最佳性能。
引用
@article{arxiv.1902.10063,
title = {Acoustic scene classification using multi-layer temporal pooling based on convolutional neural network},
author = {Liwen Zhang and Jiqing Han},
journal= {arXiv preprint arXiv:1902.10063},
year = {2019}
}
备注
(0) the title for this version is inappropriate; (1) the introduction part about the discusses about the handcrafted methods are not precise; (2) the Fig. 1 in section 2 is not correct; (3) the experiments about the CNN part are insufficient