基于残差网络和随机森林的音频识别方法

摘要

环境声音分类(ESC)是音频处理领域中的重要分支之一，在未来多媒体应用中有重要的作用。音频识别是提取音频中特定的声学特性，将音频分类至样本对应的正确场景，有助于获取感知和理解周围环境。现阶段音频识别主要通过信号处理的技术和机器学习方法达成。随着人工智能飞速发展，传统的音频处理技术以及机器学习方法面临着巨大的挑战，ESC的识别准确性有待进一步的提高。本文结合了残差网络和随机森林两种方法，将一维时域信号的音频数据转换为二维数据形式的梅尔声谱图，预训练残差网络获得一个精度较高的网络模型作为特征提取器，利用该网络模型提取音频中的深层特征，再利用随机森林对深层特征进行分类。该方法在ESC任务上识别率提升了接近10%，取得了较好的分类结果。