基于成对逆金字塔结构与稠密 MLP 模块的高效音频分类网络
声音
2023-06-01 v4 人工智能
音频与语音处理
摘要
近来，基于卷积神经网络（CNN）与自注意力机制的大量架构已成为音频分类的必要手段。尽管这些技术处于最先进水平，但这些工作的有效性只能以巨大的计算成本与参数量、大量的数据增强、从大型数据集迁移及一些其他技巧为代价来保证。利用音频的轻量特性，我们提出了一种称为成对逆金字塔结构（PIP）的高效网络结构，以及一种称为成对逆金字塔结构 MLP 网络（PIPMN）的网络。PIPMN 在 UrbanSound8K 数据集上达到 96% 的环境声音分类（ESC）准确率，在 GTAZN 数据集上达到 93.2% 的音乐流派分类（MGC）准确率，且仅有 100 万参数。两项结果均在不使用数据增强或模型迁移的情况下取得。公开代码见：https://github.com/JNAIC/PIPMN
引用
@article{arxiv.2211.02940,
title = {Effective Audio Classification Network Based on Paired Inverse Pyramid Structure and Dense MLP Block},
author = {Yunhao Chen and Yunjie Zhu and Zihui Yan and Yifan Huang and Zhen Ren and Jianlu Shen and Lifang Chen},
journal= {arXiv preprint arXiv:2211.02940},
year = {2023}
}