[論文レビュー] Acoustic scene classification in DCASE 2020 Challenge: generalization across devices and low complexity solutions

Toni Heittola, Annamaria Mesaros+1 more|arXiv (Cornell University)|May 29, 2020

Music and Audio Processing被引用数 54

ひとこと要約

この論文は DCASE 2020 Task 1 を、複数デバイス間の一般化と低複雑度モデルという二つのサブタスクを詳述し、データセット・ベースライン・上位システムを報告します。

ABSTRACT

This paper presents the details of Task 1: Acoustic Scene Classification in the DCASE 2020 Challenge. The task consists of two subtasks: classification of data from multiple devices, requiring good generalization properties, and classification using low-complexity solutions. Here we describe the datasets and baseline systems. After the challenge submission deadline, challenge results and analysis of the submissions will be added.

研究の動機と目的

• 現実的なシナリオで幅広いデバイスに対する頑健な音響場景分類を動機づける。
• 二つのサブタスクを提示する（A) 複数デバイスの一般化と（B) 500 KB のサイズ制限を持つ低複雑度モデル。
• データセット、ベースライン、提出物の分析を提供し、デバイス不変ASCとコンパクトモデルに関する今後の研究を導く。

提案手法

• 一般化を検証するために実デバイスとシミュレーションデバイスを組み合わせた TAU Urban Acoustic Scenes 2020 Mobile データセットを導入。
• 各サブタスクに対して小型 CNN/MLP セットアップと Open L3 埋め込みを用いたベースライン ASC システムを提供。
• Subtask B のモデルサイズ制約（≤ 500 KB）を課し低複雑度ソリューションを促進。
• マクロ精度と多クラス交差エントロピー（ロス）を用いて提出物を評価。
• データ拡張、量子化、剪定、疎結合といった共通戦略を特定するため、上位提出物を分析。

実験結果

リサーチクエスチョン

• RQ1 ASC システムは実デバイスとシミュレートデバイスの広範なセットでどれだけ一般化できるか？
• RQ2 厳しい低複雑度（モデルサイズ）の制約下で高い性能を得るにはどんな戦略が有効か？
• RQ3 Subtask A および Subtask B で性能向上に寄与する主な技術は何か？
• RQ4 上位システムとベースラインを、見えるデバイスと見えないデバイスの両方でどう比較できるか？

主な発見

• Subtask A は評価セットで最大 76.5% の精度を達成し、ベースラインは 51.4%。
• Subtask B は最大 96.5% の精度を達成し、ベースラインは 89.5%、多くの系が 500 KB 制限近く。
• データ拡張は Subtask A でデバイス不一致を緩和する主要技術だった。
• Subtask B の低複雑度ソリューションは、ポストトレーニング量子化、剪定、疎結合、低精度重み（例：int8、float16、または 1-bit 重み）に依存。
• Subtask A のトップ系の多くは、データ拡張をしばしば用いた ResNet 系や CNN などの深層学習アーキテクチャを使用し、アンサンブルを含むことが多い。
• Subtask A の評価データセットには 11 デバイスが 12 市で含まれ、評価用には訓練時に見られない 5 デバイスが存在した。
• Subtask B の評価はモデルサイズを 500 KB の非ゼロパラメータに制限し、Depth-wise separable CNNs やスマイルモデル等のコンパクトなアーキテクチャを促進した。