您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202004-65
论文题目 弱监督音频事件检测算法的一种新型神经网络结构
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

弱监督音频事件检测算法的一种新型神经网络结构

首发时间:2020-04-08

黄佳卫 1   

黄佳卫(1994-),女,主要研究方向:深度学习

崔毅东 1   

崔毅东(1976-),男,副教授、硕导,主要研究方向:移动互联网产品工程、云计算、深度学习等

  • 1、北京邮电大学软件学院,北京 100876

摘要:2017年谷歌推出大规模弱监督音频数据集Audio Set后,使用弱监督数据研究音频事件检测算法成为音频事件检测领域的主流。但是,目前弱监督音频事件检测算法存在性能差的问题。为提高弱监督音频事件检测算法的性能,本文基于该领域任务特点,提出了一种新型神经网络结构SEDNet。在DCASE 2017 task4数据集上,子任务音频事件分类的F1值为0.579,和基准Baseline CRNN相比提高了6.34%,子任务音频事件定位的Error Rate为0.562,相比Gated CRNN降低了3.38%。弱监督音频事件检测算法性能的提高有助于推动算法的落地。

关键词: 人工智能 聚合函数 多示例学习 弱监督音频事件检测

For information in English, please click here

A New Neural Network for Weakly Supervised Sound Event Detection

HUANG Jiawei 1   

黄佳卫(1994-),女,主要研究方向:深度学习

CUI Yidong 1   

崔毅东(1976-),男,副教授、硕导,主要研究方向:移动互联网产品工程、云计算、深度学习等

  • 1、Software School, Beijing University of Posts and Telecommunications, Beijing

Abstract:Google released the large-scale weakly supervised dataset Audio Set in 2017. Since then, researchers around the world use it and its subsets to train the sound event detection system. However, weakly supervised sound event detection system does not perform well. In this paper, a new neural network SEDNet is proposed to improve the performance of weakly supervised sound event detection system. The proposed method is evaluated on Task4 of Detection and Classification of Acoustic Scenes and Events (DCASE) 2017 Challenge in conjunction with other systems and shows a better performance. The F1 score of sound event classification is 0.579, which is 6.34% higher than Baseline CRNN, and the error rate of sound event location is 0.562, which is 3.38% lower than Gated CRNN.

Keywords: Artificial Intelligence Pooling Function Multiple Instance Learning Weakly Supervised Sound Event Detection

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
黄佳卫,崔毅东. 弱监督音频事件检测算法的一种新型神经网络结构[EB/OL]. 北京:中国科技论文在线 [2020-04-08]. http://www.paper.edu.cn/releasepaper/content/202004-65.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

弱监督音频事件检测算法的一种新型神经网络结构