通过深度学习模型在临床环境中评估音频分类，针对反映真实世界前瞻性数据收集的小数据集，我们分析了包括 DenseNet 和 ConvNeXt 在内的 CNN 模型，以及像 ViT、SWIN 和 AST 这样的 Transformer 模型，并将它们与预训练的音频模型（如 YAMNet 和 VGGish）进行比较。我们的方法强调了在特定临床数据上微调之前，在大数据集上进行预训练的好处。我们从中风患者中先前未有的两个患者音频数据集进行前瞻性收集。我们研究了各种预处理技术，发现 RGB 和灰度频谱图变换会基于它们从预训练中学到的先验知识以不同方式影响模型性能。我们的发现表明，在小数据集背景下，CNN 模型可以达到或超过 Transformer 模型的性能，其中 DenseNet-Contrastive 和 AST 模型显示出显著的性能。本研究突出了模型选择、预训练和预处理在音频分类中逐渐边际增益的重要性，为依赖音频分类的临床诊断提供了有价值的见解。

Feb, 2024

本论文提出了使用大型数据集 AudioSet 预训练的音频神经网络（PANNs），并将 PANNs 迁移到其他音频相关任务中，其中最好的 PANN 系统在 AudioSet 标记上实现了 0.439 的最高平均精度（mAP）。

Dec, 2019

通过裁剪方法减少预训练音频神经网络 (PANNs) 的冗余参数，降低了计算复杂度和存储需求，提高了声音识别表现，从而可在资源受限的设备上进行部署。

May, 2023

本研究提出了一种高效的端到端卷积神经网络架构 AclNet，该网络采用数据增强和正则化训练后，在 ESC-50 语料库上取得了 85:65％的准确率，且高效的运算和内存需求可开启能源高效平台的始终在线推理。

Nov, 2018

本文介绍了使用几种不同的卷积神经网络对音频进行分类，发现在大型数据集上运用图像分类中的卷积神经网络架构对于音频分类也十分有效，使用嵌入分类器的模型对音频事件检测的任务表现优于对原始特征的直接使用。

Sep, 2016

通过稀疏编码的神经启发卷积神经网络（LCANets++）在多个层次上进行音频信号分类，相比于标准 CNN 和 LCANets，LCANets++ 对于干扰、例如背景噪音和白盒子、黑盒子攻击，例如规避和快速梯度符号（FGSM）攻击更具鲁棒性。

Aug, 2023

本研究表明 ImageNet 预训练的标准深度 CNN 模型可以作为强大的音频分类基线网络，研究了使用预训练的权重来学习频谱图的有效性和如何构建更强大的集成模型以提高准确性。

Jul, 2020

本研究旨在通过对最大弱标注声音事件数据集 AudioSet 上的最新两类神经架构文章和加权后的 CNN 文章以及关键优化参数进行深入实验，为研究者和实践者提供性能，效率和优化过程之间的平衡见解。

Mar, 2022

研究使用卷积神经网络、自我注意机制、轻量级 Pyramid 结构（PIP）及 MLP 网络（PIPMN）进行音频分类，通过数据效率高等方式，分类准确度达 96%（ESC 数据集）和 93.2%（MGC 数据集）。

Nov, 2022

本研究旨在通过使用多任务学习和自监督学习提高基于 WaveNet 的大型神经网络在音频数据上的标签效率，并证明在有限的标记训练数据场景下，同时训练其他自监督任务可以显著提高分类性能。

Oct, 2019