城市声音分类：力求公平比较
声音
2020-10-23 v1 机器学习
音频与语音处理
摘要
城市声音分类已取得显著进展，且仍是音频模式识别中的活跃研究领域。特别地，它可用于监测噪声污染，这对大城市而言日益受到关注。本文的贡献有两点。首先，我们展示了 DCASE 2020 任务 5 的获胜方案，旨在助力城市噪声污染监测。该方案在验证集上粗/细分类的 macro-AUPRC 分别达到 0.82 / 0.62，并在 ESC-50 与 US8k 数据集上分别取得 89.7% 与 85.41% 的准确率。其次，找到公平比较并复现现有模型性能并非易事。有时作者直接复制粘贴原论文结果，无助于可复现性。为此，我们通过使用相同的输入表示、度量与优化器来评估性能，从而提供公平比较。我们保留了原论文使用的数据增强。希望该框架能有助于评估该领域的新架构。为更好可复现性，代码已发布于我们的 GitHub 仓库。
引用
@article{arxiv.2010.11805,
title = {Urban Sound Classification : striving towards a fair comparison},
author = {Augustin Arnault and Baptiste Hanssens and Nicolas Riche},
journal= {arXiv preprint arXiv:2010.11805},
year = {2020}
}
备注
7 pages, 1 figure