Audio Framework架构 audio visual room

简介

进一步改进了音视特征聚类网络。目标函数为样本与聚类中心的加权距离之和（与之前类似），权重仍为距离的softmax，距离度量标准换成了L2；针对无法预知声源数目的情形，根据泊松分布，提出了声音分离损失，能够根据音频预测声源数目。聚类损失换成了contrastive损失。在ESC-50声音场景分类、SoundNet-Flickr声音定位、MIT-MUSIC声音分离任务上表现较好。

贡献

1.开发了一个视听学习模型，能够输出单模态表征，音视对齐。将软聚类模块作为模式检测器，在两种模态共享空间中，通过结构化对齐目标 来关联聚类后的pattern。
2.提出课程音视学习策略，其难度级别由场景中声源的数量决定，容易训练并提高了性能。还建立了用于估计音视场景复杂度的计数模型。
3.音视声音定位方面有很大提升。为声音分离提供有效的视觉表征。性能与有监督相当。

网络结构

视觉：VGG16，输出16×16×512

声音：VGGish，输出64×54×512，移除了最后的最大池化层和最后三个全连接层。

聚类

目标函数

$j$是指第$j$个簇，$k$是音源数量，$d$是特征与聚类中心的欧氏距离，$w$通过softmax而来，是为距离分配权重，

超参$β>0$，称为刚度参数，控制assignment的可伸缩性。论文中$β=30$

$c_j$为聚类中心，每个中心对应于特定模态成分，例如某个物体或声音。

通过比较每个音视频组合的匹配程度可以确定是否对齐，具体地，是最小化音视中心的距离

与音频特征聚类中心相关的视觉特征聚类中心可以表示为

对应的$w$可以变形回$H×W$并将其作为与音频相关的视觉定位掩膜

复杂度估计

由于音视场景的复杂性对于课程训练至关重要，因此学习建模和估计给定场景中的声源数量是值得的。计数数据$y_i$的泊松离散概率分布由$P(Y_i=y_i)=\frac{e^{-\lambda_i}\lambda^{y_i}_i}{y_i!}$给出，其中$λ_i$解释为区间内的期望事件数量。在本任务中，$y_i$作为音视场景中的声源数量。提出通过音频网络将$λ_i$建模为输入声音ai的函数，记为$λ_i = f(a_i)$。函数$f(\cdot)$为声源计数网络。通过对泊松分布取负对数似然，得到泊松回归损失

$\ln(y_i!)$作为模型训练的常数可以被忽略掉。在训练计数网络之后，我们可以通过识别持有最大概率的数字来估计场景复杂度。

泊松回归网络移除了VGGish最后三个全连接层，添加了GMP层产生512D特征向量，两个全连接层：512-512-1来预测泊松平均值$λ$。

声音分离

将视觉聚类中心$c^v_{i-source}$ 作为第$i$个场景的发声者表征，使用$w_{\cdot source}$表示发声者位置。使用U-Net的变体来执行声音分离，然后对视觉表征进行复制和平铺使其与音频特征匹配，将音视特征concat，送入up-conv层生成声谱图掩膜。

损失函数

聚类损失

$L_{av}=\frac{1}{2n}\displaystyle\sum^n_{i,j=1}{\delta_{i=j}S^2_{a_iv_j}+(1-\delta_{i=j})\max(margin-S^2_{a_iv_j},0)^2)}$
$δ$指图像和声音是否来自同一视频片段，$margin$是超参数，论文中为5。这里的$n$其实是指batch的数目

声音分离损失

$a^{mix}_i$是输入的混合声音，$g(\cdot)$是声音分离网络，$M_i=m^{a_i}/m^{a^{mix}_i}$

实施

训练

使用期望(E)-最大化(M)算法更新参数，E阶段固定簇中心C并更新$w_{ij}$，在M阶段固定$w_{ij}$并用更新后的参数重新计算中心。
使用课程学习训练策略，根据场景的复杂性，即场景中声源数量由少(1)到多训练(4)网络。
数据集：（1）来自Youtube的音频事件数据集AudioSet，使用第三级标签，Balanced-Train数据集。音频为10秒片段，视觉为随机1帧图像。训练时未使用语义标签
（2）来自YouTube的MIT MUSIC数据集中选取467个音乐独奏，随机分成10秒片段
声音：STFT：窗口尺寸1022，步幅256，生成log声谱图
视觉：256×256×3
优化器：Adam
学习率：第一个课程10e-4，每个课程逐渐减小0.1
泊松回归网络：SGD，momentum为0.9，初始学习率0.01，衰减程度为0.01/(1+epoch*0.5)

测试

将已经训练好的音视模型作为特征提取器，应用在声学场景分类任务中，数据集为ESC-50。
泊松回归结果，测试数据集为AudioSet
声音定位：使用AudioSet训练，SoundNet-Flickr测试
声音分离：使用MIT-MUSIC数据集，也有用到AudioSet

结果

（1）使用课程训练可以提升性能
（2）在复杂场景下，声-源级匹配（对音视特征聚类并让其距离相互靠拢）比场景级匹配更好地利用了音视并发性
（3）对于定位任务，音视对齐后性能得到了提升
（4）对于定位任务，如果训练集中包含多个声源的音视场景，而测试集为单声源，则导致结果变差，可能是多声源视频会把单声源学到的对齐知识搞混
（5）对于声音分离任务，由于没有预训练或微调视觉网络，效果不是那么好，当使用二重奏音乐训练定位网络时，在SDR和SAR指标上比独奏好一些