[发明专利]声学场景分类模型训练方法、装置、智能终端及存储介质

说明书

本发明公开了声学场景分类模型训练方法、装置、智能终端及存储介质，所述方法包括：获取训练数据；提取所述样本音频的第一特征信号，并将所述第一特征信号进行切片和扩容后得到第二特征信号；将所述第二特征信号输入声学场景分类模型，输出预测声学场景类别；其中，所述声学场景分类模型通过对残差神经网络进行改进得到；根据所述预测声学场景类别和所述真实标签对所述声学场景分类模型进行训练，以得到已训练的声学场景分类模型。本发明实施例中通过对样本音频的特征信号进行切片后扩容，使得输入样本信号尺寸减小，并提升响应速度；将样本信号输入到改进的残差神经网络进行训练，使得模型的分类结果准确率更高。

技术领域

本发明涉及声学技术领域，尤其涉及的是声学场景分类模型训练方法、装置、智能终端及存储介质。

背景技术

声学场景分类在日常生活中有着较为广泛地应用，所谓声学场景分类(AcousticScene Classification，ASC)是指对音频中包含的声学内容进行分析，进而识别出该音频对应的声学场景的过程。

目前的声学场景分类方法在声学场景分类过程中较易出现过拟合问题，并且分类角度较为单一，声学场景分类效果欠佳，不能有效的在复杂生活和工作环境下进行分类，准确率不高，模型尺寸较大，分类延迟较高。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种声学场景分类模型训练方法，旨在解决现有技术中声学场景分类方法准确率不高，模型尺寸较大，分类延迟较高的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种声学场景分类模型训练方法，其中，所述方法包括：

获取训练数据，其中,所述训练数据包括样本音频和样本音频对应的真实标签；

提取所述样本音频的第一特征信号，并将所述第一特征信号进行切片和扩容后得到第二特征信号；将所述第二特征信号输入声学场景分类模型，通过所述声学场景分类模型输出预测声学场景类别；其中，所述声学场景分类模型通过对残差神经网络进行改进得到；

根据所述预测声学场景类别和所述真实标签对所述声学场景分类模型进行训练，以得到已训练的声学场景分类模型。

在一种实现方式中，所述获取训练数据之前包括：

获取声学场景类别；其中，所述声学场景类别基于音频频域能量分布状态进行划分。

在一种实现方式中，所述提取所述样本音频的第一特征信号包括：

对所述样本音频进行重采样，得到第一音频；

将所述第一音频转换为第一数字信号，并对所述第一数字信号进行归一化处理，得到第二数字信号；

基于对数梅尔频谱方式获取所述第二数字信号的频域特征，得到所述样本音频的第一特征信号；其中，所述对数梅尔频谱采用若干梅尔滤波器组。

在一种实现方式中，所述将所述第一特征信号进行切片和扩容后得到第二特征信号包括：

将所述第一特征信号进行切片，得到若干子特征信号；

将若干所述子特征信号分成若干组，得到若干第一信号组；

将若干所述第一信号组进行二次分组，得到若干第二信号组；其中，各个第二信号组之间具有预设长度的重叠信号；

基于所述真实标签，将若干所述第二信号组进行标记；

随机打乱经过标记后的若干所述第二信号组的顺序，得到若干第三信号组；

将若干所述第三信号组进行批量化，得到第二特征信号。