本文提出了一种利用深度卷积神经网络从原始波形数据中直接学习音频模型的方法，通过批归一化、剩余学习和精心设计的下采样实现高效处理音频波形，并在环境声音识别任务中取得了 15% 的性能提升，达到了使用对数 - 梅尔特征的模型的性能。

Oct, 2016

本文介绍了一种基于一维卷积神经网络实现的环境声音分类方法，其可以对任意长度的音频信号进行处理，并采用 Gammaone 滤波器对其进行初始化，通过进行实验，结果表明该方法可以在 UrbanSound8k 数据集上取得 89% 的平均准确率，且性能比大多数现有手工提取特征或使用 2D 表示的方法都要优异。

Apr, 2019

本研究比较了不同信号处理方法在卷积神经网络进行音频分类任务时所得到的频谱图表示，发现 Mel-scaled STFT 方法表现最佳。同时还发现，信号的特点以及转化窗口的大小都对分类结果有影响，2D 卷积神经网络在大多数情况下都比 1D 效果更好。

Jun, 2017

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

基于被动声学监测（PAM）录音进行生物多样性监测的分析既耗时又受到录音中背景噪声的挑战，现有的声音事件检测（SED）模型仅适用于特定的鸟类物种，进一步模型的发展需要标记数据。本研究开发的框架从可用平台自动提取选定鸟类物种的标记数据，将标记数据嵌入到包括环境声音和噪声在内的录音中，用于训练卷积递归神经网络（CRNN）模型。该模型在记录于南非库鲁纳塔尔地区城市栖息地的未经处理的真实世界数据上进行评估，修正的 SED-CRNN 模型达到了 0.73 的 F1 分数，证明其在嘈杂的真实环境条件下的高效性。该研究提出的自动提取选定鸟类物种的标记数据的方法为未来保护项目中轻松实现将 PAM 技术适用于其他物种和栖息地提供了可能。

Jun, 2024

本文研究了不同音频任务中已知卷积神经网络架构的变体性能。结果表明，调整卷积神经网络的感受野对其广义性至关重要。通过跨越多个音频分类和标记任务进行系统测试，我们提出了几种系统方法来控制 CNN 的 RF，并表明使用我们提出的方法对 CNN 的 RF 进行正则化可以显着提高模型的广义性，在多项任务中取得了最优结果。

May, 2021

本文介绍了一个卷积神经网络，其能够对三种鲸鱼、非生物噪声和环境噪声进行分类，以便于检测出水声记录中的鲸鱼叫声。作者们还提出一种新的声学信号表示方法，该方法建立在常用的谱图表示的基础上，通过差值和堆叠使用不同的短时傅里叶变换参数生成的多个谱图。该方法特别适用于海洋哺乳动物物种分类的任务中。

Jul, 2019

本文研究了使用神经网络进行环境声音分类的三种不同类型的表示：谱图、MFCC 和嵌入式表示，并使用不同的 CNN 网络和自编码器来评估它们在分类准确度上的效果。我们发现使用谱图的分类准确度最高，而使用 MFCC 的准确度最低，同时提出了一些指导性的结论和方法来提高声音环境分类的准确度。

Apr, 2022

用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。

May, 2024

本文提出了一种使用深度卷积神经网络和音频数据增强相结合的方法来进行环境声音分类，通过对增强技术的探索发现在不同类别下所使用的增强技术会对分类准确率产生影响。实验结果表明，该方法在环境声音分类上表现出了最先进的效果。

Aug, 2016