Sep, 2020

DCASE 2019 中声音事件定位和检测的概述和评估

PDF
TL;DR介绍了在 DCASE 2019 Challenge 中首次国际评估声音事件定位和检测的概述，通过大规模实际场景的数据集进行训练，评估发现，基于联合计算的共同测量参数对于比较检测和定位的系统排名更为准确。
发现论文，激发创造
  • 声音事件定位和检测的多房混响数据集

    本文介绍了用于 DCASE2019 挑战赛的 “声音事件定位与检测”（SELD）任务设置及其基准方法。使用卷积循环神经网络实现了基准方法，对含混响的数据集进行了评估。

    May, 2019

  • 家庭环境下大规模弱标注半监督声音事件检测

    本文介绍 DCASE 2018 任务 4，重点评估了利用弱标签数据（没有时间边界）进行大规模声音事件检测的系统，挑战在于探索未标记的数据集与小的弱标签训练集结合以提高系统性能。数据来源于 YouTube 家庭环境视频片段，具有环境辅助生活等很多应用潜力。

    Jul, 2018

  • DCASE 挑战赛 2016 上的实验：现实录音中的声音场景分类和声音事件检测

    本文介绍了我们在实战录音的声音场景分类任务和声音事件检测任务中采用的低级和高级特征、分类器优化以及特定的其他方法，我们的表现优于 DCASE 的基线，对于任务 1，我们的总体准确性为 78.9％，超过基线 72.6％；对于任务 3，我们的基于段的错误率为 0.76，超过基线 0.91。

    Jul, 2016

  • 具有移动源的混响空间声音场景数据集用于声音事件定位和检测

    该报告介绍了 DCASE2020 挑战赛 SELD 任务的数据集和评估设置，该任务涉及同时分类已知的声音事件类别、检测其时间激活，并在其活动时估计其空间方向或位置。

    Jun, 2020

  • 基于事件无关网络的多声音事件定位和检测

    该论文提出了一种新颖的用于多声事件定位和检测的独立于事件的网络，其输入为 FOA 时域信号，包括声音事件的检测与方位角估计，使用卷积层和并行的分支进行预测，结果表明其相对于基线方法在任务 3 数据集上的表现有很大提升。

    Sep, 2020

  • 使用两阶段策略的多音色声音事件检测和定位

    本文提出基于神经网络的声音事件检测和定位方法，该方法训练得到的声音事件检测模型可以帮助到方位角的估计，同时也能够显著提高声音事件检测和方位角估计的性能。

    May, 2019

  • DCASE 2023 挑战中的少样本生物声事件检测

    DCASE 挑战赛的 Few-shot 生物声学事件检测任务中，限制训练数据集，于 2023 年共有 6 个团队参加，最高 F-score 达到 63％，方法多样。

    Jun, 2023

  • 多声部声音事件定位和检测的序列匹配网络

    提出一种模块化和分层的方法，将声音事件检测和到达方向估计的学习分离开来，在利用神经网络匹配这两个输出序列的基础上，实现了对整个声事件定位和检测系统性能的提升。

    Feb, 2020

  • DCASE2017 挑战赛任务 4 的 Surrey-cvssp 系统

    本文介绍了通过采用基于卷积神经网络和循环神经网络的基本框架以及学习可控门激活函数、基于关注机制的方案和新的批次平衡策略等方法来解决 Acoustic Scenes 和 Weakly-Supervised Learning 问题。在该方法下，我们的音频标记和声音事件检测分别取得了 61% 和 0.73 的 F-Value 和 error rate。

    Sep, 2017

  • 声音事件检测和定位与距离估计

    本文提出了一种新方法，即将声音事件检测与定位拓展到包含距离估计的三维声音事件检测、定位，并通过多任务和单任务两种方法研究了在 AM 型和双耳型 STARSS23 背景下的实现方案，并探究了与距离估计相关的损失函数，实验结果表明，在不降低声音事件检测和定位准确性的情况下，可以进行三维声音事件检测、定位。

    Mar, 2024