摘要
音频模式识别（Audio Pattern Recognition, APR）是一项重要的研究课题，可广泛应用于与人们生活密切相关的多个领域。因此，开发准确且高效的APR系统具有重要意义，因其在实际应用中具备显著价值。本文提出了一种新型卷积神经网络（Convolutional Neural Network, CNN）架构，以及一种提升基于CNN的APR系统推理速度的方法。实验结果表明，所提出的方法不仅有效提升了系统性能，还在四个音频数据集上得到了验证。此外，本文还系统研究了数据增强技术与迁移学习对系统性能的影响。在AudioSet数据集上，我们的最优系统取得了0.450的平均精度均值（mean Average Precision, mAP）。尽管该指标略低于当前最先进系统，但本系统在效率和规模上具有显著优势：推理速度提升7.1倍，模型体积缩小至原系统的1/9.7。在ESC-50、UrbanSound8K和RAVDESS三个数据集上，我们的系统分别取得了0.961、0.908和0.748的准确率，达到当前最优水平。具体而言，针对ESC-50数据集，本系统比先前最优系统快1.7倍，体积缩小2.3倍；针对RAVDESS数据集，模型体积仅为先前最优系统的1/3.3。综上所述，我们提出的系统命名为“高效残差音频神经网络”（Efficient Residual Audio Neural Networks），在保持优异性能的同时，显著提升了推理效率并大幅减小了模型规模，具备良好的实用前景。