基于教师强制与计划采样的声音事件检测语言建模
声音
2019-11-07 v3 机器学习
音频与语音处理
摘要
声音事件检测（SED）方法通常以音频帧序列作为输入，并预测每帧中声音事件的活动情况。在真实录音中，声音事件表现出一定的时序结构：例如，“汽车喇叭”之后很可能会出现“汽车驶过”。虽然这种时序结构在序列预测任务（如机器翻译）中通过语言模型（LM）得到了广泛利用，但在SED中并未得到令人满意的建模。在本工作中，我们提出一种方法，使循环神经网络（RNN）能够为SED任务学习一个LM。该方法以先前时间步各类别的活动情况作为RNN输入的约束条件。我们使用F1分数和错误率（ER）在三个不同且公开可用的数据集上评估我们的方法：TUT-SED Synthetic 2016、TUT Sound Events 2016和2017数据集。所得结果表明，对于TUT Sound Events 2016和2017数据集，使用我们的方法后F1（越高越好）分别提升9%和2%，ER（越低越好）分别降低7%和2%。相反，对于TUT-SED Synthetic 2016数据集，使用我们的方法后F1分数下降4%，ER上升7%。
引用
@article{arxiv.1907.08506,
title = {Language Modelling for Sound Event Detection with Teacher Forcing and Scheduled Sampling},
author = {Konstantinos Drossos and Shayan Gharib and Paul Magron and Tuomas Virtanen},
journal= {arXiv preprint arXiv:1907.08506},
year = {2019}
}
备注
Fixed the display of URLs at footnote, updated the results