R-CRNN：基于区域的卷积循环神经网络用于音频事件检测
声音
2018-08-22 v1 音频与语音处理
摘要
本文提出一种基于区域的卷积循环神经网络（R-CRNN）用于音频事件检测（AED）。该网络受著名的用于视觉目标检测的基于区域的卷积网络框架 Faster-RCNN 启发。与原始 Faster-RCNN 不同，我们在卷积网络之上添加了一个循环层，以从提取的高层特征中捕获长期时间上下文。先前大多数 AED 工作先生成帧级预测，再利用后处理从概率序列中预测事件的起止时间戳；而所提方法直接生成事件级预测，并可通过多任务损失进行端到端训练，同时优化音频事件的分类与定位。该方法在 DCASE 2017 挑战赛数据集上进行了测试。据我们所知，R-CRNN 是在不使用集成方法的所有方法中开发和评测集上性能最佳的单模型方法。相较于另一基于区域的 AED 网络（R-FCN）在开发集上 0.18 的事件错误率（ER），我们的方法将 ER 降低了一半。
引用
@article{arxiv.1808.06627,
title = {R-CRNN: Region-based Convolutional Recurrent Neural Network for Audio Event Detection},
author = {Chieh-Chi Kao and Weiran Wang and Ming Sun and Chao Wang},
journal= {arXiv preprint arXiv:1808.06627},
year = {2018}
}
备注
Accepted by Interspeech 2018