用于DCASE 2024挑战的Squeeze-and-Excite ResNet-Conformer声音事件定位、检测与距离估计

本技术报告详细介绍了我们为第3任务提交的系统，该任务为DCASE 2024挑战：音频和音视频声音事件定位与检测（SELD）伴随源距离估计（SDE）。我们仅针对音频-only SELD with SDE（SELDDE）任务作出报告。我们提出通过在现有ResNet-Conformer架构中引入Squeeze-and-Excitation模块，以引入额外的通道级和空间级注意力。在提升SELD性能方面，我们还利用Spatial Cue-Augmented Log-Spectrogram（SALSA）特征，而非常用的log-mel谱特征用于多音声SELD。我们补充了Sony-TAu现实空间声景2023年（STARSS23）数据集，通过音频通道置换技术合成额外数据，并使用SpatialScaper生成器进行数据合成。我们还进行距离缩放，以防止大距离误差对损失函数的贡献过大。最终，我们在STARSS23数据集的评估子集上评估了我们的方法。