一种两阶段方法实现设备鲁棒的声学场景分类

为提升数据驱动型声学场景分类（Acoustic Scene Classification, ASC）系统在实际应用中的鲁棒性——这一竞争性系统中极为关键的特性，本文提出了一种基于全卷积神经网络（Fully Convolutional Neural Networks, CNNs）的新型两阶段分类框架。该两阶段系统采用一种自定义的分数融合策略，结合两个CNN分类器：（i）第一阶段CNN将声学输入划分为三个宽泛的场景类别；（ii）第二阶段CNN则对同一输入进行更细粒度的分类，划分为十个具体类别。为实现该两阶段分类器，本文探索了三种不同的CNN架构，并研究了频率子采样方案。此外，还提出了针对ASC任务的新型数据增强方法。在DCASE 2020任务1a的评测中，实验结果表明，所提出的ASC系统在开发集上达到了当前最优的分类准确率：其中表现最佳的系统为CNN集成模型的两阶段融合架构，在多设备测试数据上实现了81.9%的平均分类准确率，并在未见设备上取得了显著性能提升。最后，通过基于类别激活映射（Class Activation Mapping, CAM）的神经显著性分析，进一步揭示了模型所学习到的关键特征模式，为理解模型决策机制提供了新的视角。