Data-Efficient Low-Complexity Acoustic Scene Classification in the DCASE 2024 Challenge

本文介绍了DCASE 2024挑战赛中数据高效、低复杂度声学场景分类任务及相应的基线系统。该任务延续了之前两届（2022年和2023年）的设置，侧重于记录设备不匹配和低复杂度约束。今年的比赛增加了一个现实世界的问题：参赛者必须为五个场景开发数据高效的系统，这些场景逐渐限制了可用的训练数据。提供的基线系统基于一种高效的、分解的CNN架构，由反向残差块构成，并使用Freq-MixStyle来解决设备不匹配问题。该任务共收到了来自17个团队的37个提交，其中大多数系统的表现都优于基线系统。排名最高的系统在最小和最大子集上的准确率分别达到了54.3%和61.8%，相对于评估集上的基线系统，分别实现了约23%和9%的提升。

DCASE 2024挑战中，参赛者需要开发数据高效的系统，用于五种场景的声学场景分类任务。这个任务要求系统在逐步减少的训练数据量下进行分类。

论文提出了一种基于因子化卷积神经网络结构和Freq-MixStyle的声学场景分类方法，以解决设备不匹配和低复杂度限制的问题。

论文提供了一个高效的基线系统，使用了因子化卷积神经网络结构和Freq-MixStyle来解决设备不匹配问题。实验结果表明，大多数系统都优于基线系统，最佳系统在评估集上的准确率相对于基线系统提高了约23%到9%。论文还列举了一些值得深入研究的工作，如增加数据集的多样性和使用更复杂的神经网络结构。

最近在该领域的相关研究包括：'Acoustic Scene Classification with Multi-Resolution CNNs'、'End-to-End Environmental Sound Classification using a 1D Convolutional Neural Network'、'Acoustic Scene Classification using Multi-Task Learning and Different Time-Frequency Representations'等。