《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 正交約束型SincNet可微分前端及在音頻分類中的應(yīng)用
正交約束型SincNet可微分前端及在音頻分類中的應(yīng)用
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 2期
劉 偉，孫 蒙，張 玥，張雄偉
(中國人民解放軍陸軍工程大學(xué)，江蘇 南京210007)
摘要： 在音頻場景分類任務(wù)中，現(xiàn)有端到端模型中特征建模層學(xué)習(xí)過程存在缺乏約束、學(xué)習(xí)結(jié)果缺乏直觀解釋以及僅適用于特定的后端分類模型等缺點。因此，以SincNet可微分前端為基礎(chǔ)，引入正交約束提高其求解效率，同時提高所得可微分前端的可解釋性，并使其能提高多種后端網(wǎng)絡(luò)的分類性能。提出的這種新型可微分前端命名為正交約束型SincNet(OrthSincNet)。研究發(fā)現(xiàn)，OrthSincNet卷積核對應(yīng)的頻譜既具有類似于梅爾濾波器的形態(tài)，又可提高分類效果。在UrbanSound8K官方評測數(shù)據(jù)集上的實驗表明，相對于常用的梅爾頻譜前端，OrthSincNet改進(jìn)了6種后端分類網(wǎng)絡(luò)的性能，分類準(zhǔn)確率平均提高了2.2%。
中圖分類號： TP391
文獻(xiàn)標(biāo)識碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.02.015
引用格式： 劉偉，孫蒙，張玥，等. 正交約束型SincNet可微分前端及在音頻分類中的應(yīng)用[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2022，41(2)：92-98.
Differentiable front-end of SincNet with orthogonal constrains and its application in audio classification
Liu Wei，Sun Meng，Zhang Yue，Zhang Xiongwei
(Army Engineering University of PLA，Nanjing 210007，China)
Abstract： In the audio scene classification task, the feature modeling layer learning process in the existing end-to-end models has shortcomings such as lack of constraints, lack of intuitive interpretation of learning results, and only applicable to specific back-end classification models. Based on the differentiable front-end of SincNet, this paper introduces orthogonal constraints to improve the performance of the solution of the overall network, tries to promote the interpretability of the learnt front-end, and adapts it to multiple back-end classifiers. The proposed new front-end is called Orthogonal SincNet(OrthSincNet). Therefore, the convolution kernels of OrthSincNet is expected to not only hold good properties on frequency responses like Mel filters but also to be able to tune the parameters adaptively for specific back-end classifiers. Experimental results on the official test set of UrbanSound8K showed that OrthSincNet improved the conventional Mel filter banks by 2.2% in average on 6 back-end classifiers.
Key words : differentiable front-end; orthogonal convolutions; SincNet; end-to-end classification network

0 引言

音頻分類是計算機(jī)自動實施聽覺感知和理解的重要步驟，也是一項非常具有挑戰(zhàn)性的任務(wù)，如自動音樂標(biāo)記、音樂類型分類、說話人識別、音頻場景分類和多媒體檢索等。深度神經(jīng)網(wǎng)絡(luò)的發(fā)展使得音頻分類任務(wù)的準(zhǔn)確率取得了顯著提升。當(dāng)前，深度神經(jīng)網(wǎng)絡(luò)一般是建立在對輸入音頻提取時頻特征等預(yù)處理的基礎(chǔ)上，如首先通過廣泛使用的梅爾濾波器組提取時頻譜圖特征，然后將時頻譜圖特征輸入到各種后端分類網(wǎng)絡(luò)。

特征提取的預(yù)處理過程通常采用固定的時頻參數(shù)和濾波器類型，難以保證對所有的后端分類網(wǎng)絡(luò)結(jié)構(gòu)持續(xù)提取出最優(yōu)特征。此外，這些預(yù)處理過程一般需要線下完成，不能無縫對接到神經(jīng)網(wǎng)絡(luò)分類器中，因此難以適用于一些需要對聲音波形進(jìn)行反向求導(dǎo)的任務(wù)，如求解對抗樣本[1]等。這些局限性推動了研究者們尋求構(gòu)建端到端模型來完成音頻分類任務(wù)。所謂端到端的分類網(wǎng)絡(luò)結(jié)構(gòu)是指直接輸入聲音波形，然后輸出類別標(biāo)簽，而無須用戶通過額外的特征提取工具來提取特征。例如，Dai等提出了具有不同網(wǎng)絡(luò)結(jié)構(gòu)和不同數(shù)量參數(shù)的端到端卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)用于音頻分類[2]。Tokozume等提出了一種含有8層網(wǎng)絡(luò)并以原始波形為輸入的端到端網(wǎng)絡(luò)結(jié)構(gòu)，通過調(diào)節(jié)超參數(shù)并選擇適當(dāng)大小的卷積核來提高分類性能[3]。此外，還有端到端的CNN架構(gòu)AclNet[4]，受到MobileNet[5]的啟發(fā)，其計算僅需155k參數(shù)和每秒4 930萬次乘法加法即可高效完成分類任務(wù)。




本文詳細(xì)內(nèi)容請下載：http://theprogrammingfactory.com/resource/share/2000004865




作者信息：

劉  偉，孫  蒙，張  玥，張雄偉

(中國人民解放軍陸軍工程大學(xué)，江蘇 南京210007)

微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。