摘要

近年来，科学界与产业界对音频监控系统的设计表现出极大兴趣，这类系统能够对音频流进行分析并识别出感兴趣的事件。在安全应用领域尤为突出，音频分析可作为视频分析系统的替代方案，也可与之结合使用，发挥协同效应。在此背景下，本文提出一种新型的循环卷积神经网络架构——DENet。该架构基于一种新型网络层，称为去噪增强（Denoising-Enhancement, DE）层，该层通过在带通滤波信号的各分量上应用注意力图，实现对原始信号的去噪与增强。与现有先进方法不同，DENet直接以无损原始波形作为输入，通过将所提出的DE层与双向门控循环单元（bidirectional gated recurrent unit）相结合，能够自动学习感兴趣频率随时间的演化特征。此外，该方法利用连续帧（即属于同一事件的帧）分类结果所提供的反馈信息，显著降低了误分类率。我们在MIVIA音频事件（MIVIA Audio Events）和MIVIA道路事件（MIVIA Road Events）两个公开数据集上进行了实验，结果验证了所提方法在性能上优于其他现有先进方法。