[論文レビュー] Low-complexity acoustic scene classification in DCASE 2022 Challenge

Irene Martín-Morató, Francesco Paissan+6 more|arXiv (Cornell University)|Jun 8, 2022

Music and Audio Processing被引用数 22

ひとこと要約

本論文は低複雑度の音響シーン分類に関する DCASE 2022 Task 1 を解析し、128K INT8 パラメータ、30 MMACs という制約を詳述し、48 件の提出物におけるベースラインとトップシステムの性能を報告します。

ABSTRACT

This paper presents an analysis of the Low-Complexity Acoustic Scene Classification task in DCASE 2022 Challenge. The task was a continuation from the previous years, but the low-complexity requirements were changed to the following: the maximum number of allowed parameters, including the zero-valued ones, was 128 K, with parameters being represented using INT8 numerical format; and the maximum number of multiply-accumulate operations at inference time was 30 million. The provided baseline system is a convolutional neural network which employs post-training quantization of parameters, resulting in 46.5 K parameters, and 29.23 million multiply-and-accumulate operations (MMACs). Its performance on the evaluation data is 44.2% accuracy and 1.532 log-loss. In comparison, the top system in the challenge obtained an accuracy of 59.6% and a log loss of 1.091, having 121 K parameters and 28 MMACs. The task received 48 submissions from 19 different teams, most of which outperformed the baseline system.

研究の動機と目的

• IoT デバイスの制約に合わせた実用的な低複雑度音響シーン分類タスクを定義する。
• 厳格なパラメータと MMAC 制限の下での事後量子化を用いたベースライン CNN を評価する。
• 低リソース条件下でのパフォーマンスを理解するため、複数チームの提出物を分析する。

提案手法

• タスク設定、データセット（TAU Urban Acoustic Scenes 2022）と評価プロトコルを説明する。
• 3 つの畳み込み層と1 つの密結合層を用いたベースライン CNN を提示し、事後量子化 INT8 を適用する。
• Keras、TFLite、PyTorch モデルのパラメータと MMACs を算出するスクリプトを提供する。
• チャレンジの結果を要約し、勝者アプローチの特徴と共通手法を分析する。

実験結果

リサーチクエスチョン

• RQ1 低リソース制約（128K INT8 パラメータ、30 MMACs）が音響シーン分類の性能にどのように影響するか。
• RQ2 これらの制約内で最良の性能を実現するアーキテクチャと訓練戦略は何か。
• RQ3 見 seen るデバイスと未見デバイス、都市間で、厳しい計算制限の下でモデルはどの程度一般化するか。
• RQ4 量子化認識訓練、データ拡張、広い受容野などの技術は制約下でトップ性能とどのように相関するか。

主な発見

System	Log loss	Accuracy	MMACs	Parameters
Baseline (CNN, post-training quantized)	1.575 (±0.018)	42.9% (±0.77)	29.23 M	46,512
Top system (Schmid_CPJKU_3)	1.091 (1.040 - 1.141)	59.6% (59.4 - 59.9)	28 M	121 K

• ベースラインシステムは制約下で 44.2% の精度と 1.532 の log loss を達成。
• トップシステムは 59.6% の精度と 1.091 の log loss、パラメータ 121K、MMACs 28。
• 19 チームからの 48 件の提出物のうち、ほとんどのシステムが同じ制約下でベースラインを上回る。
• 1 秒セグメントサイズのため、2021年と比較して性能は低下しており、トップエントリ全体での最大精度は約60%、log lossは約1.09–1.31。
• 量子化認識訓練とデータ拡張（例: Mixup、SpecAugment）は低複雑度制約下で共通しており有効。
• 広い受容野、座標アテンション、トランスフォーマー風またはエンコーダ-デコーダ設計を含むアーキテクチャはリソース上限内で強い結果を示した。