用于可解释声音分类的焦点调制网络

深度神经网络日益增长的成功引发了对其固有黑盒性质的担忧，这给可解释性和信任带来了挑战。尽管在视觉和语言领域已经广泛探索了解释技术，但音频领域的可解释性受到的关注有限，主要集中在事后解释上。本文通过利用最近提出的无注意力焦点调制网络（FocalNets）来解决音频领域中的设计可解释性问题。我们首次将FocalNets应用于环境声音分类任务，并在流行的ESC-50数据集上评估其可解释性属性。我们的方法在准确性和可解释性方面均优于类似大小的视觉变换器。此外，它与PIQ（一种专门为音频领域事后解释设计的方法）相比具有竞争力。