摘要

二维卷积在声事件检测（Sound Event Detection, SED）中被广泛用于识别声事件在时频域上的二维模式。然而，二维卷积在时间和频率两个维度上均强制施加平移等变性（translation equivariance），而频率维度本身并非平移不变维度，这导致其在物理一致性上存在局限。为提升二维卷积在SED任务中的物理合理性，本文提出频率动态卷积（Frequency Dynamic Convolution），该方法通过引入随输入频率成分自适应调整的卷积核，实现对频率结构的灵活建模。在DESED验证数据集上，频率动态卷积在多声事件检测评分（Polyphonic Sound Detection Score, PSDS）上相比基线模型提升了6.3%。此外，该方法在性能上显著优于现有的其他内容自适应方法。通过对比基线模型与频率动态卷积在各类声事件上的F1分数，我们发现频率动态卷积在检测具有复杂时频结构的非平稳声事件方面表现尤为突出。上述结果验证了频率动态卷积在识别依赖频率特性的声事件模式方面具有显著优势。