[论文解读] An efficient supervised dictionary learning method for audio signal recognition

Imad Rida, Romain Hérault+1 more|arXiv (Cornell University)|Dec 12, 2018

Speech and Audio Processing参考文献 15被引用 4

一句话总结

该论文提出了一种监督字典学习方法，通过最小化类内同质性和最大化类间可分性，利用成对正交性和稀疏性控制，学习特定类别的字典以增强音频信号识别。在计算听觉场景和音乐和弦识别任务上评估，该方法实现了最先进性能，在音乐和弦数据集上达到66%的准确率，优于手工设计的特征（如MFCC和chroma向量）。

ABSTRACT

Machine hearing or listening represents an emerging area. Conventional approaches rely on the design of handcrafted features specialized to a specific audio task and that can hardly generalized to other audio fields. For example, Mel-Frequency Cepstral Coefficients (MFCCs) and its variants were successfully applied to computational auditory scene recognition while Chroma vectors are good at music chord recognition. Unfortunately, these predefined features may be of variable discrimination power while extended to other tasks or even within the same task due to different nature of clips. Motivated by this need of a principled framework across domain applications for machine listening, we propose a generic and data-driven representation learning approach. For this sake, a novel and efficient supervised dictionary learning method is presented. The method learns dissimilar dictionaries, one per each class, in order to extract heterogeneous information for classification. In other words, we are seeking to minimize the intra-class homogeneity and maximize class separability. This is made possible by promoting pairwise orthogonality between class specific dictionaries and controlling the sparsity structure of the audio clip's decomposition over these dictionaries. The resulting optimization problem is non-convex and solved using a proximal gradient descent method. Experiments are performed on both computational auditory scene (East Anglia and Rouen) and synthetic music chord recognition datasets. Obtained results show that our method is capable to reach state-of-the-art hand-crafted features for both applications.

研究动机与目标

• 解决手工音频特征的局限性，这些特征在不同音频应用中泛化能力差且判别能力各异。
• 开发一种数据驱动的通用表示学习框架，用于机器听觉，可适应不同的音频识别任务。
• 通过学习差异化的、特定类别的字典，提取每类的异质性信息，从而提升分类性能。
• 通过控制稀疏性来限制分解复杂度，同时通过类字典之间的成对正交性最大化类间可分性。
• 提供一种原理清晰的端到端学习框架，以自适应字典学习替代特定任务的特征工程。

提出的方法

• 该方法为每个类别学习一个字典，以提取特定类别的异质性信号表示。
• 它最小化一个非凸优化问题，平衡特定类别的重建误差、类间字典之间的成对正交性以及信号表示的稀疏性。
• 通过在特定类别字典之间施加成对正交性，减少冗余并增强可分性。
• 通过在稀疏编码系数上施加l1-范数惩罚来控制稀疏性，以限制分解复杂度。
• 使用近端梯度下降算法求解优化问题，适用于非凸、结构化问题。
• 所学习的稀疏表示作为线性SVM的输入用于分类。

实验结果

研究问题

• RQ1 数据驱动的监督字典学习方法是否能在多样化的音频信号识别应用中超越手工特征？
• RQ2 通过成对正交性学习特定类别的字典在提升类间可分性和降低类内同质性方面有何效果？
• RQ3 在分解过程中控制稀疏性在多大程度上能增强所学表示的判别能力？
• RQ4 所提出的方法是否能在环境声音分类和音乐和弦识别等不同音频识别任务中实现泛化？
• RQ5 当与所提出的字典学习框架结合时，简单线性分类器是否能实现最先进性能？

主要发现

• 在音乐和弦识别数据集上，所提方法实现了66%的分类准确率，显著优于对比特征（如chroma为19%、插值PSD为15%、频谱图池化为14%）。
• 所学习的特定类别字典在不同类别之间表现出较低的成对相似性，证实了所学表示中具有有效多样性并减少了冗余。
• 在East Anglia和Rouen计算听觉场景识别数据集上，该方法的性能匹配或超过最先进的手工特征（如MFCCs）。
• 在所学字典上对音频信号进行稀疏编码，起到了非线性特征映射的作用，能够解耦音频样本中潜在的变化因素。
• 使用近端梯度下降有效求解了非凸优化问题，实现了稳定高效的训练。
• 结果表明，结合正交性和稀疏性约束的监督式、特定类别字典学习，是音频识别中替代特定任务特征工程的强大替代方案。