[论文解读] 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 54

一句话总结

本论文详细介绍 DCASE 2020 Task 1，包含两个子任务：在多设备上的泛化能力与低复杂度模型，报告数据集、基线和表现最好的系统。

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.

研究动机与目标

• 在现实场景中实现鲁棒的声场场景分类，覆盖广泛的设备。
• 提出两个子任务：(A) 多设备泛化与 (B) 具有 500 KB 大小限制的低复杂度模型。
• 提供数据集、基线以及对提交结果的分析，以指导未来在设备不变 ASC 与紧凑模型方面的研究。

提出的方法

• 引入 TAU Urban Acoustic Scenes 2020 Mobile 数据集，含真实设备和仿真设备以测试泛化能力。
• 提供一个基线 ASC 系统，使用 Open L3 嵌入与每个子任务的一个小型 CNN/MLP。
• 对 Subtask B 强制模型大小约束（≤ 500 KB），以鼓励低复杂度解决方案。
• 对 Subtask B 强调评估，以宏平均准确率和多类交叉熵（对数损失）来评估提交结果。
• 分析顶尖提交以识别常见策略，如数据增强、量化、裁剪和稀疏连接。

实验结果

研究问题

• RQ1 ASC 系统在大量真实与仿真设备上的泛化能力如何？
• RQ2 在严格的低复杂度（模型大小）约束下，哪些策略能实现出色的性能？
• RQ3 在 Subtask A 和 Subtask B 中，哪些主要技术对性能提升贡献最大？
• RQ4 顶级系统在看得到的设备与未见设备上的表现如何与基线相比？

主要发现

• Subtask A 在评估集上达到最高 76.5% 的准确率，而基线为 51.4%。
• Subtask B 最高达到 96.5% 的准确率，而基线为 89.5%，许多系统接近 500 KB 的上限。
• 数据增强是 Subtask A 中缓解设备不匹配的主导技术。
• Subtask B 的低复杂度解决方案依赖后训练量化、裁剪、稀疏连接和低精度权重（例如 int8、float16，或 1-bit 权重）。
• 大多数 Subtask A 顶尖系统使用深度学习架构（ResNet 变体、CNN），常伴随集成和数据增强。
• Subtask A 的评估数据集涵盖 11 个设备，分布在 12 个城市；评估时有五个设备在训练时未见。
• Subtask B 的评估限制模型大小为 500 KB 的非零参数，促使紧凑型架构，如深度可分离卷积 CNN 和瘦模型。