[论文解读] An extensible cluster-graph taxonomy for open set sound scene analysis

Helen L. Bear, Emmanouil Benetos|arXiv (Cornell University)|Sep 26, 2018

Music and Audio Processing参考文献 17被引用 4

一句话总结

本文提出了一种可扩展的、基于聚类图的开放集声音场景分析分类法，支持动态标签扩展，避免重复，并支持多视角标签标注。通过将标签结构化为可重用、可分割的聚类图，该框架实现了跨数据集的一致性、互操作性标签标注——通过将DCASE挑战赛的标签统一为一个共享的、非冗余的130多个声音描述符分类法得以验证。

ABSTRACT

We present a new extensible and divisible taxonomy for open set sound scene analysis. This new model allows complex scene analysis with tangible descriptors and perception labels. Its novel structure is a cluster graph such that each cluster (or subset) can stand alone for targeted analyses such as office sound event detection, whilst maintaining integrity over the whole graph (superset) of labels. The key design benefit is its extensibility as new labels are needed during new data capture. Furthermore, datasets which use the same taxonomy are easily augmented, saving future data collection effort. We balance the details needed for complex scene analysis with avoiding 'the taxonomy of everything' with our framework to ensure no duplicity in the superset of labels and demonstrate this with DCASE challenge classifications.

研究动机与目标

• 解决声音场景分析中缺乏可重用、可扩展分类法的问题，该问题阻碍了数据共享与重用。
• 通过支持复杂真实场景的开放集标签标注，克服封闭集分类的局限性。
• 通过将标签组织为基于图的分类法，防止标签重复并确保跨数据集的一致性。
• 支持自下而上和自上而下的标签创建方式，使研究人员能够协作构建或扩展标签集合。
• 通过将多样化数据集（如DCASE挑战赛）统一在统一、可扩展的分类法下，促进数据集增强与互操作性。

提出的方法

• 设计一种聚类图分类法，其中每个标签聚类（子集）可独立运作，同时在完整图中保持完整性。
• 使用图结构表示标签之间的关系，支持多视角描述符（如环境、事件、感知），且不受层级约束。
• 应用一种框架，将多个DCASE挑战赛（2013–2018）的标签集合进行合并，通过语义归一化解决同形异义词和同义词问题。
• 通过迭代组合事件与场景标签，去除重复项，并将结果划分为环境（en）、事件（ev）和上下文（c）三个组件，构建统一的标签集合。
• 利用现有本体和术语表，避免误称，并确保标签聚类之间的语义一致性。
• 提供一个中央在线注册表，用于链接数据集，以促进该分类法的采用与互操作性。

实验结果

研究问题

• RQ1 如何使声音场景分析的分类法具备可扩展性，以容纳新标签而不破坏现有标签集合？
• RQ2 何种结构设计能够同时实现模块化（用于子问题）和全局一致性（用于超集完整性）？
• RQ3 如何最小化在多样化数据集和不同标注实践之间出现的标签重复与语义模糊？
• RQ4 现有数据集（如DCASE挑战赛的数据集）在多大程度上可以被统一到一个单一、非冗余的分类法下？
• RQ5 基于图的分类法是否能够同时支持自下而上和自上而下的标签创建，同时实现跨数据集的数据增强？

主要发现

• 该框架成功将DCASE挑战赛（2013–2018）中的130多个唯一声音描述符统一为一个单一、非冗余的分类法。
• 最终分类法包含87个事件标签（ev）、26个场景标签（T_scenes）和3个上下文标签（c），分类清晰，无重复。
• 复合标签如“人们走路”和“玻璃叮当响”被分解为原子组件（如“人”、“走路”、“玻璃”、“叮当响”），以防止冗余。
• 聚类图结构允许任意标签子集独立使用——例如，用于办公室声音事件检测——而无需依赖完整分类法。
• 该方法通过支持每个事件的多种描述符（如物理属性与感知属性），实现了类似人类的跨类别标注。
• 该框架通过允许复用现有标签，减少了未来数据集的标注开销，长期来看，数据重用与增强的收益远超初始设置成本。