通过增强卷积神经网络的平移不变性改进声音事件分类
声音
2021-07-23 v2 机器学习
音频与语音处理
摘要
近期研究对卷积网络普遍假设的平移不变性提出了质疑，表明输入中的微小平移会显著影响输出预测。本文分析了在基于CNN的声音事件分类中解决平移不变性缺失所带来的益处。具体而言，我们评估了两种用于提升CNN平移不变性的池化方法，它们基于低通滤波与对输入特征图的自适应采样。这些方法通过对CNN池化层插入微小的架构修改来实现。我们在FSD50K数据集上，使用不同容量的模型并在强正则化存在的情况下，评估了这些架构改动的影响。我们表明，在所有考虑的情形中，这些修改一致地改进了声音事件分类。我们还通过实验证明，所提出的池化方法增强了网络中的平移不变性，使其对输入谱图中的时间/频率平移更加鲁棒。这是通过增加可忽略数量的训练参数实现的，这使得这些方法成为传统池化层的一个有吸引力的替代方案。结果是在FSD50K分类基准上取得了0.541的新的最先进mAP。
引用
@article{arxiv.2107.00623,
title = {Improving Sound Event Classification by Increasing Shift Invariance in Convolutional Neural Networks},
author = {Eduardo Fonseca and Andres Ferraro and Xavier Serra},
journal= {arXiv preprint arXiv:2107.00623},
year = {2021}
}