[论文解读] Experiments on the DCASE Challenge 2016: Acoustic Scene Classification and Sound Event Detection in Real Life Recording

Benjamin Elizalde, Anurag Kumar+5 more|arXiv (Cornell University)|Jul 22, 2016

Music and Audio Processing参考文献 17被引用 27

一句话总结

本文提出了一种基于GMM的高级特征表示与分类器优化方法，显著提升了真实生活音频录音中的声学场景分类与声音事件检测性能。在任务1中达到78.9%的准确率，在任务3中达到0.76的分段误差率（SBER），显著优于DCASE 2016基线的72.6%和0.91。

ABSTRACT

In this paper we present our work on Task 1 Acoustic Scene Classi- fication and Task 3 Sound Event Detection in Real Life Recordings. Among our experiments we have low-level and high-level features, classifier optimization and other heuristics specific to each task. Our performance for both tasks improved the baseline from DCASE: for Task 1 we achieved an overall accuracy of 78.9% compared to the baseline of 72.6% and for Task 3 we achieved a Segment-Based Error Rate of 0.76 compared to the baseline of 0.91.

研究动机与目标

• 通过使用鲁棒的特征表示与分类器优化，提升真实生活音频录音中声学场景分类与声音事件检测的性能。
• 通过探索数据扰动技术，应对声音事件检测中标签数据有限的挑战，提升模型泛化能力。
• 探究高级音频特征（特别是基于GMM的软计数直方图（α）与MAP自适应特征（β））在场景与事件分类中的有效性。
• 评估通用背景类与基于时间的音频扰动对多源环境检测鲁棒性的影响。
• 证明通过Tpot自动化机器学习框架进行分类器优化，可显著提升两项任务的性能，尤其在复杂真实录音条件下。

提出的方法

• 使用在MFCC上训练的高斯混合模型（GMM）构建高级音频表征，具体为软计数直方图（α）与MAP自适应特征（β）。
• 将α特征计算为MFCC向量对GMM分量的归一化软分配计数，捕捉音频段内分布模式。
• 通过使用局部MFCC统计量对GMM参数进行MAP自适应，生成β特征，提升对音频内容变化的鲁棒性。
• 采用支持向量机（SVM）结合线性与RBF核作为主要分类器，并通过Tpot自动化机器学习框架进行优化。
• 对声音事件检测的训练数据应用基于时间的音频扰动（加速/减速），以增加多样性与鲁棒性。
• 采用一秒分段推理策略进行声音事件检测，对每个分段使用训练好的分类器打分，并选取最高分事件类别。

实验结果

研究问题

• RQ1 与基线方法相比，基于GMM的高级特征（α与β）在声学场景分类中的性能表现如何？
• RQ2 通过自动化机器学习（Tpot）进行分类器优化，能在多大程度上提升声学场景分类与声音事件检测任务的性能？
• RQ3 在多源声音环境中，引入通用背景类是否能提升检测性能？
• RQ4 基于时间的音频扰动能否提升真实生活录音条件下声音事件检测模型的泛化能力与鲁棒性？
• RQ5 同时使用通用类与数据扰动对声音事件检测的分段误差率与F1值有何综合影响？

主要发现

• β特征表示显著优于α特征表示，在任务1中达到78.9%的准确率，较基线的72.6%提升6.3个百分点。
• 通过Tpot进行分类器优化带来了显著的性能提升，尤其在结合β特征时，凸显了分类器调优在特征工程之外的重要性。
• 引入通用背景类减少了相似场景之间的混淆，并提升了检测鲁棒性，尤其在Home场景中，SBER从1.05降至0.90（使用通用类与扰动）。
• 基于时间的音频扰动（加速/减速）提升了Home场景的性能，但对Residential场景无显著改善，表明数据增强的效果具有上下文依赖性。
• 通用类与数据扰动（G+P）的结合实现了最佳整体性能，在Home场景中SBER为0.90，在Residential场景中为0.63，优于基线的0.91。
• 最终提交采用G+P策略，在测试集上实现0.9613的SBER与33.6%的F1值，验证了所提流程的有效性。