RaDur：一种参考感知且时长鲁棒的目标声音检测网络
声音
2022-04-06 v1 音频与语音处理
摘要
目标声音检测（TSD）旨在给定参考信息的情况下从混合音频中检测目标声音。先前方法使用条件网络从参考音频中提取具有声音判别性的嵌入，再用其从混合音频中检测目标声音。然而，该网络在使用不同参考音频时表现差异很大（例如对含噪和短时长参考音频表现较差），且易对瞬态事件（即短于 秒）做出错误判断。为克服这些问题，本文提出一种用于 TSD 的参考感知且时长鲁棒的网络（RaDur）。更具体地，为使网络更感知参考信息，我们提出嵌入增强模块，在生成嵌入时考虑混合音频，并应用注意力池化增强与目标声音相关帧的特征、削弱噪声帧的特征。此外，提出一种时长鲁棒 focal loss 以帮助模型处理不同时长事件。为评估方法，我们基于 UrbanSound 和 Audioset 构建了两个 TSD 数据集。大量实验表明了方法的有效性。
关键词
引用
@article{arxiv.2204.02143,
title = {RaDur: A Reference-aware and Duration-robust Network for Target Sound Detection},
author = {Dongchao Yang and Helin Wang and Zhongjie Ye and Yuexian Zou and Wenwu Wang},
journal= {arXiv preprint arXiv:2204.02143},
year = {2022}
}
备注
submitted to interspeech2022