摘要

我们提出了一种用于音频识别的双流卷积网络，该网络基于时频谱图输入进行操作。借鉴在视觉识别领域的成功经验，我们通过可分离卷积和多级横向连接学习了慢-快听觉流。慢路径具有较高的通道容量，而快路径则以细粒度的时间分辨率运行。我们在两个不同的数据集上展示了我们提出的双流方法的重要性：VGG-Sound 和 EPIC-KITCHENS-100，并在这两个数据集上均取得了最先进的结果。