要約
近年、科学界および市場において、音声ストリームを分析し、関心のあるイベントを同定できる音声監視システムの設計に対する関心が高まっている。特にセキュリティ分野においては、ビデオ分析システムの代替手段として、あるいはそれと併用する形で音声解析が効果的に活用できる点が注目されている。このような背景のもと、本論文では、新しい再帰的畳み込みニューラルネットワークアーキテクチャ「DENet」を提案する。このDENetは、バンドフィルタ処理された信号の各成分に注目マップ（attention map）を適用することで、元の信号のノイズ除去および強調を行う新規レイヤー「ノイズ除去強調（Denoising-Enhancement, DE）レイヤー」を基盤としている。従来の最先端手法とは異なり、DENetは損失のない原始波形（lossless raw waveform）を入力とし、提案するDEレイヤーと双方向ゲート付き再帰ユニット（bidirectional gated recurrent unit）を組み合わせることで、時間的に変化する関心周波数の進化を自動的に学習可能である。さらに、連続するフレーム（同一イベントに属する）に関する分類結果から得られるフィードバックを活用することで、誤分類を著しく低減することができる。本研究では、MIVIA Audio EventsおよびMIVIA Road Eventsの公開データセットを用いた実験を行い、他の最先端手法と比較して本手法の有効性を確認した。