用于大规模音频分类的CNN架构
声音
2017-01-11 v2 机器学习
机器学习
摘要
卷积神经网络（CNN）已在图像分类中被证明非常有效，并在音频领域展现出潜力。我们使用各种CNN架构对一个包含7000万训练视频（524万小时）、带有30871个视频级标签的数据集的音轨进行分类。我们考察了全连接深度神经网络（DNN）、AlexNet [1]、VGG [2]、Inception [3]和ResNet [4]。我们研究了改变训练集大小和标签词汇量的影响，发现用于图像分类的CNN的类似架构在我们的音频分类任务上表现良好，并且更大的训练集和标签集在一定程度上有帮助。使用这些分类器的嵌入的模型在Audio Set [5]声学事件检测（AED）分类任务上的表现远优于原始特征。
引用
@article{arxiv.1609.09430,
title = {CNN Architectures for Large-Scale Audio Classification},
author = {Shawn Hershey and Sourish Chaudhuri and Daniel P. W. Ellis and Jort F. Gemmeke and Aren Jansen and R. Channing Moore and Manoj Plakal and Devin Platt and Rif A. Saurous and Bryan Seybold and Malcolm Slaney and Ron J. Weiss and Kevin Wilson},
journal= {arXiv preprint arXiv:1609.09430},
year = {2017}
}
备注
Accepted for publication at ICASSP 2017 Changes: Added definitions of mAP, AUC, and d-prime. Updated mAP/AUC/d-prime numbers for Audio Set based on changes of latest Audio Set revision. Changed wording to fit 4 page limit with new additions