干货：手把手教你在音频分类DCASE2017比赛中夺冠
这是一篇旧闻了。
最新消息：来自英国萨里大学的团队徐勇博士等夺得DCASE2017 challenge比赛冠军。战胜来自CMU, New York University, Bosch, USC, TUT, Singapore A* Star, KoreanAdvanced Institute of Science and Technology, Seoul National University andNational Taiwan University等学校的竞争对手有。下面手把手教你在音频分类DCASE2017比赛中夺冠：
随着人工智能和深度神经网络在图像，视频，和语音等领域的大火，AI在音频领域，包括场景分类，音频事件检测，网络音视频的应用需求也越来越多。DCASE是音频场景，音频事件的分类与检测的简称。DCASE的应用场景十分广泛，如智能家居，无人驾驶，复杂场景中的语音识别等。DCASE比赛是目前世界范围内最大规模的音频分类与检测比赛[1]，地位如同图像分类领域的ImageNet。本团队此次斩获音频标签第一名和弱监督声学事件检测第二名。下面就上夺冠历程的“干货”，包括模型的选择，trick的重要性。并发布可以一键run的代码。
DCASE (Detection and Classification ofAcoustic Scenes and Events)是由IEEE AASP授权的比赛，今年已举办第三届，由CMU，法国INRIA，芬兰Tampere科技大学共同举办。Google和Audio Analytic(位于英国剑桥的音频处理公司)共同赞助。
本次比赛有四个任务：声音场景分类，稀有事件检测，现实场景中的声学事件检测，和无人驾驶中的大规模弱监督声学事件检测。本团队参与了第四个任务：无人驾驶中的大规模弱监督声学事件检测，其中包含(a) 音频标签和(b)弱监督声学事件检测两个子任务。此任务的数据集全部来自YouTube真实的视频，是Google发布的AudioSet以及youtube-8m [3]数据库的子集。
难点：1. 数据不均衡。如汽车出现的样本数远远大于滑板车出现的样本数。这种不均衡数据会极大影响网络的训练。2. 训练数据只有句子级的标签而没有帧级的标签，却要在测试集上给出帧级标签。弱标签是大规模音频处理领域中的一个难点。
模型
先上系统框架图，我们的基线是卷积循环神经网络Convolutional recurrent neural network (CRNN)。输入的是整个对数梅尔语谱图，最大的创新点是彻底摒弃sigmoid，ReLU等常见激活函数，而采用可以学习的gated linear units (GLU) [4]。所以某个CNN，都有两个模块：一个线性输出和一个GLU的sigmoid输出，该sigmoid输出可看作介于0和1之间的门，即为时频点上的attention，如果该时频点上的值是接近1，即说明该时频点的特征是有用的，会传到下一层；反之如果该时频点上的值接近0，则说明该时频点是噪声或包含无用的信息，不会被传到下一层。
技巧(Trick)
1. Batch Normalization用来稳定并加速训练。
2. 在每个mini-batch中，均衡了样本数据，缓解了数据不均衡问题。
3. 系统融合。
对于第二个弱监督的声学事件检测子任务，我们同样沿用上面的框图，不过在RNN后面的部分稍微做点改变：
上图是对第一幅图的帧上展开，原先的前向神经网络(FNN)模块，增加一个FNN-softmax模块，称为localization矢量，用以辅助推断当前帧的所属类标签。该方法的有意思的地方在于，我们最终还是用弱标签（句子级标签）训练，用中间变量（每一帧上的分类结果，图中虚线框内）作为声学事件检测结果。此成果曾经由本团队发表在Icassp2017和Interspeech2017上。
GitHub源代码：https://github.com/yongxuUSTC/dcase2017_task4_cvssp
语音识别，目前干净环境下的语音识别准确度已经很高，但在很低信噪比情况下，或多个人讲话的情况下，识别率会大幅下降，这是因为目前的识别器把非语音的都统一归为一类：噪声，实际上现实中的噪声可能比语音还要复杂，如果也能对各种噪声类型建模，将有助于语音识别的改进。
附：技术应用领域
1）智能家居：想象一下，我们白天在公司上班，家中无人，如果能检测到家中发生的异常声学事件，比如：贼破门而入，狗叫，火警，冬天水管爆裂等，那我们就第一时间知道家中险情，此为smarthome。
2）无人驾驶：目前几乎所有的无人驾驶技术都是基于图像，并没有有效利用音频，举一个例子，十米开外拐弯的地方，有一个救护车在叫，摄像头是拍不到的，但麦克风却能听见，如果能检测到救护车的叫声，就可以提前做减速让道的动作。再如周围的车突发鸣笛或行人突发尖叫等等。此为smartcar。
3）声学场景分析：在声源分离领域，有一个重要的概念computational auditory scene analysis (CASA)，此概念的一个重要目标，就是将机器人置身于某个声学场景，比如街道的十字路口，他能全盘了解自己所处声学环境，知道各个声源的位置，知道有哪些声源。
Team介绍：
徐勇博士（同等贡献者）：现任英国萨里大学博后，中科大博士，美国佐治亚理工学院联合培养博士，两篇IEEE高被引杂志论文作者。基于DNN的语音增强的提出者。论文总引用率600+。DCASE2017 challenge比赛第一名。
孔秋强（同等贡献者）：现PhD就读于英国萨里大学，本科硕士毕业于华南理工大学。DCASE2017 challenge比赛第一名。
王文武教授：IEEE高级会员，IEEE TRANSACTIONS ON SIGNAL PROCESSIN副主编，英国萨里大学副教授，Publication Co-Chair of ICASSP 2019
Mark D. Plumbley教授：IEEE和IET Fellow，英国萨里大学教授，英国玛丽皇后大学教授，Tutorial session chair of Icassp2019