1.基于小波时频图特征在声音场景分类
2.增强增强高效音频分类网络
https://arxiv.org/pdf/2204.11479v5
https://github.com/Alibaba-MIIL/AudioClassfication
音频分类网络如图4所示。在此阶段，主要重点是建立一个神经网络具有较大的感受野，同时保持较低的复杂性。可以将网络分解为两个主块、1D卷积堆栈和变换器编码器块。前者沿时间轴进行降采样
其中卷积层耦合到固定低通滤波器[29,30]，然后是间歇残差块[18]。这个残差块根据[31]进行修改，由深度卷积和大核操作组成f（x）是跨通道操作的核大小等于1的卷积。此时，信号
使用一系列因子di除以总因子d进行抽取=Qdi例如，5秒的信号下采样序列的持续时间等于[4,4,4,4]，执行256倍的缩减。这可能是为了在某种程度上与频谱图操作期间进行的下采样有关。以下构建块执行进一步减少，每次减少后都有一堆扩张的残余块[32]。这种改进能够提高在每帧的感受野中，因此对环境类中的可变持续时间事件更具鲁棒性声音场景。使用变压器编码器块实现了跨帧收集特征图，该块然后是全连接层，将嵌入向量投影到类空间。
3.PANNs：大规模预训练音频神经网络音频模式识别
https://arxiv.org/pdf/1912.10211v5
https://github.com/qiuqiangkong/audioset_tagging_cnn
Wavegram CNN和Wavegram Logmel CNN for AudioSet标签。我们提出的Wavegram CNN是一个时域音频标签系统。Wavegram是我们提出的一个功能这类似于log-mel频谱图，但使用神经网络。波形图被设计用来学习傅里叶变换的时频表示转变。波形图具有时间轴和频率轴。频率模式对于音频模式识别很重要，例如，具有不同音高偏移的声音属于同一个班级。波形图旨在学习频率一维CNN中可能缺少的信息系统。波形图也可能比手工制作的原木更好通过学习一种新的时频来获得mel谱图从数据转换。然后，波形图可以代替log-mel光谱图作为输入特征，形成我们的WavegramCNN系统。我们还结合了Wavegram和log-mel频谱图作为构建Wavegram-LogmelCNN系统的新功能.
