[论文解读] CaR-FOREST: Joint Classification-Regression Decision Forests for Overlapping Audio Event Detection

Huy Phan, Lars Hertel+3 more|arXiv (Cornell University)|Jul 8, 2016

Music and Audio Processing参考文献 13被引用 10

一句话总结

本文提出 CaR-FOREST，一种用于重叠音频事件检测的联合分类-回归决策森林。该方法通过同时对正负音频片段进行分类和对事件起始/结束时间进行回归，提升在多音混合环境中的特征判别能力。在 DCASE 2016 Task2 开发数据集上，其 F1 分数达到 31.6%，段落级错误率为 0.8304，优于基线模型。

ABSTRACT

This report describes our submissions to Task2 and Task3 of the DCASE 2016 challenge. The systems aim at dealing with the detection of overlapping audio events in continuous streams, where the detectors are based on random decision forests. The proposed forests are jointly trained for classification and regression simultaneously. Initially, the training is classification-oriented to encourage the trees to select discriminative features from overlapping mixtures to separate positive audio segments from the negative ones. The regression phase is then carried out to let the positive audio segments vote for the event onsets and offsets, and therefore model the temporal structure of audio events. One random decision forest is specifically trained for each event category of interest. Experimental results on the development data show that our systems significantly outperform the baseline on the Task2 evaluation while they are inferior to the baseline in the Task3 evaluation.

研究动机与目标

• 为解决在连续音频流中检测重叠音频事件的挑战。
• 通过联合训练分类与回归任务，提升在多音混合环境中的特征判别能力。
• 通过面向回归的训练方式建模音频事件的时间结构。
• 开发一种在重叠事件检测任务中优于现有基线系统的检测方法。
• 实现在包含多个并发事件的真实音频场景中鲁棒的检测性能。

提出的方法

• 该系统使用通过分类与回归任务联合训练的判别性决策森林。
• 分类训练从重叠混合信号中选择判别性特征，以区分正样本与负样本段。
• 回归训练通过正样本段对时间边界进行投票，以建模事件的起始与结束时间。
• 每个树中的分裂节点通过基于特征差异与随机阈值的测试函数，随机选择执行分类或回归。
• 分裂质量通过分类的信息增益和回归的总距离变异度进行衡量。
• 应用忽略阈值以防止过拟合，允许阈值 >1.0，避免无效检测。

实验结果

研究问题

• RQ1 与单任务回归森林相比，联合分类-回归训练是否能提升对重叠音频事件的检测性能？
• RQ2 在重叠混合信号中进行判别性特征选择对分类准确率有何影响？
• RQ3 基于回归的投票机制在多音环境中对音频事件时间结构的建模能力有多强？
• RQ4 所提方法是否在非重叠与重叠事件检测任务中均优于基线系统？
• RQ5 当置信度分数不可靠时，忽略阈值机制是否能防止检测性能下降？

主要发现

• 在 DCASE 2016 Task2 开发数据集上，CaR-FOREST 实现了 31.6% 的段落级 F1 分数与 0.8304 的错误率，优于基线模型。
• 在 Task3（家庭场景）中，系统平均段落级错误率为 1.0449，F1 分数为 3.6%，而基线模型为 0.9783 和 15.9%。
• 在 Task3（住宅区场景）中，系统平均错误率为 1.0576，F1 分数为 12.9%，而基线模型为 1.3188 和 19.8%。
• 对于住宅区场景，系统在错误率上相比基线绝对提升了 0.2612，尽管在 F1 分数上仍表现较差。
• 系统在两个 Task3 测试集上的表现均劣于基线，表明其在复杂重叠场景下的泛化能力仍存在挑战。
• 使用 110ms 平均滤波器平滑置信度分数可提升家庭场景下的鲁棒性，减少异常值。