畳み込みニューラルネットワークを用いた空間特徴抽出に基づく音響シーン識別の検討

摘要

人間の行動や周囲の状況を自動認識しようとする取り組みがなされている．例えば，高齢者の見守りや動画への自動タグ付け，ライフログの収集などの応用システムが考えられている．これらのシステムを実現する要素技術の一つとして，環境音認識が注目されている．環境音認識は大きく二つに分けられる．一つは音響イベント検出，もう一つは音響シーン識別である．音響イベント検出は「いつ，何の音がしたか」を検出するものであり，音の種類としてはドアの開閉音，咳をする音，転倒音などの短い単発的な音が多い．一方，音響シーン識別は数秒から数十秒程度の長い音から録音された場所や状況を識別するものであり，音の種類としてはバスの中，オフィス，家などがある．本研究では音響シーン識別に焦点を当てる．近年，音響シーン識別の研究が盛hに行われている．例えば環境音認識を対象とするDCASE 2017（De-tection and Classi cation of Acoustic Scenes andEvents 2017）Challenge が開催され，そこでは音響シーン識別のタスクが用意された[1]．DCASE 2017では畳み込みニューラルネットワーク（ConvolutionalNeural Networks; CNN）を用いた手法がいくつか提案されたが（例えば[2][3])，中でも[3] では空間特徴を抽出することにより高い識別精度を達成した．この手法は，ステレオ入力信号に対して前処理を施し，左チャネル，右チャネルに加えて中央チャネル（左右チャネル加算），サイドチャネル（左右チャネル減算）等のそれぞれに対して独立にCNN を適用して識別を行う．それに対して本稿では，前処理ではなく，CNN を用いて空間特徴を抽出する手法を提案する．これにより，識別に適した空間特徴を学習により獲得することが可能となる．提案手法では，空間特徴を抽出するために，時間?周波数領域に加えて時間?空間（左右チャネル）領域と周波数?空間領域に対してCNN を適用する．DCASE 2017 Challenge[1] における音響シーン識別のタスクを用いて提案手法における空間特徴抽出の有効性を評価する．