采用时序标注数据与连接时序分类模型的音频标注
声音
2018-08-07 v1 计算与语言
音频与语音处理
摘要
音频标注旨在预测一段音频片段中的一个或多个标签。许多先前工作使用弱标注数据 (WLD) 进行音频标注，其中仅知声音事件的存在与否，但声音事件的顺序未知。为利用声音事件的顺序信息，我们提出时序标注数据 (SLD)，其中声音事件的存在与否及顺序信息均已知。为在音频标注中利用 SLD，我们提出一种卷积循环神经网络后接连接时序分类 (CRNN-CTC) 目标函数，以将音频片段频谱图映射至 SLD。实验表明，CRNN-CTC 在音频标注中获得 0.986 的曲线下面积 (AUC) 分数，优于基线 CRNN 的 0.908 与分别采用最大池化和平均池化的 0.815。此外，我们展示 CRNN-CTC 具备预测音频片段中声音事件顺序的能力。
引用
@article{arxiv.1808.01935,
title = {Audio Tagging With Connectionist Temporal Classification Model Using Sequential Labelled Data},
author = {Yuanbo Hou and Qiuqiang Kong and Shengchen Li},
journal= {arXiv preprint arXiv:1808.01935},
year = {2018}
}