来源：期刊VIP网 时间：
作者：付予哲;王玫;阚瑞祥;仇洪冰;
单位：桂林理工大学计算机科学与工程学院;桂林理工大学物理与电子信息工程学院;桂林电子科技大学信息与通信学院;
摘要：城市声学场景的复杂性和多样性使传统的声音识别方法在处理城市环境声时存在局限性，亟需解决检测能力与计算复杂度之间的平衡问题。为此文中提出一种新型的城市环境声检测方法，旨在提高模型在处理城市环境声分类任务的能力，同时降低对计算资源的依赖。首先，引入一种双重随机组合数据增强策略，通过随机组合不同的增强技术生成多样化的音频样本，以丰富训练数据并增强模型的泛化能力；随后，提出一种新型的具有分层结构的音频Transformer，该模型引入了窗口注意力机制和耦合简单注意力的标记语义模块，有效提升了声音分类能力。实验结果表明，所提方法仅需之前Transformer的32%的参数量和15%的训练时间；在UrbanSound8K中准确率为91.2%，在AudioSet中mAP为0.476，在ESC-50中准确率为97.2%。显著提升了城市环境声检测的性能。
关键词：城市环境声检测;;声音分类;;深度学习;;Transformer;;数据增强;;注意力机制
基金资助：国家自然科学基金项目(62071135);国家自然科学基金项目(61961010);; 桂林电子科技大学研究生创新项目(2023YCXB05);; 广西科技重大专项(桂科AA23062035)
