基于多级残差网络的环境声音分类方法

为了对环境声音进行更好的识别和分类，提出了基于多级残差网络（Multilevel residual network， Mul-EnvResNet）的环境声音分类方法。对声音事件进行时标和基频压扩之后，提取其梅尔频率倒谱系数（Mel-frequency cepstral coefficients， MFCCs），以及它们的差分作为特征参数送入Mul-EnvResNet对声音事件进行分类。实验数据集采用ESC-50，将Mul-EnvResNet模型与端到端的卷积神经网络（EnvNet）、基于注意力机制的循环神经网络（Attention based convolutional recurrent neural network， ACRNN），以及受限卷积玻尔兹曼机的无监督滤波器组模型（Convolutional restricted Boltzmann machine， ConvRBM）进行对比实验。实验结果表明， Mul-EnvResNet取得了89.32%的最佳分类准确率，相较上述3种模型在分类准确率上分别有18.32%、3.22%、2.82%的提升，相较于其他的声音分类方法也均有明显的优势。