乔高杰，廖闻剑

（1.武汉邮电科学研究院，湖北武汉 430074；2.南京烽火天地通信科技有限公司，江苏 南京 210019）

音频场景分类（Acoustic Scene Classification,ASC）是计算机听觉场景分析（Computational Auditory Scene Analysis,CASA）[1]的子任务之一。声音场景特征是从来自不同声源的声音叠加所形成的一个复杂声信号中提取出来的一种高阶知识[2]。音频场景分类的目标是识别音频的环境，即将音频与语义标签关联起来[3]。

MIT 实验室早在1997 年提交了第一份有关于音频场景分类的技术报告[4]，从那时开始人们逐步开展了对音频场景分类的探索工作。早期的音频场景分类长期受限于硬件计算能力和模式识别领域发展的瓶颈。当时，人们的主要研究思路和关注点都集中于音频信号的时间特征，因此他们通常都使用高斯混合模型（Gaussian Mixture Model,GMM）或者隐马尔科夫模型（Hidden Markov Model,HMM）[5-6]。随着持续不断提升的硬件计算能力以及深入研究的深度学习理论知识，很多研究者在音频场景分类任务中利用深度学习来进行研究。

奥地利约翰开普勒林兹大学计算感知系的研究人员开始尝试将深度学习方法应用到音频场景分类中[7]，并且效果提升显著。在音频场景分类和声音事件检测（Detection and Classification of Acoustic Scene and Event,DCASE）挑战赛中，大多数参赛者均采用CNN[8-10]和RNN[11]（Recurrent Neural Network）来进行实验。例如，在DCASE2016 音频场景分类任务中，研究者采用8 层VGG 样式的卷积层网络结构获得的平均准确率为83.3%[12]。在DCASE2019 音频场景分类任务中，研究人员采用8 层CNN 结合GNN（Generative Neural Network）等数据增强方法，获得了平均准确率为85.2%，并取得音频场景分类任务冠军[13]。

在2017 年的ILSVRC 图像分类任务中，参赛者提出了一种新颖的SE 模块，该模块能够提取特征图的通道间信息。……