[发明专利]基于像素注意力机制胶囊网络模型的声学事件检测方法

权利要求书

1.基于像素注意力机制胶囊网络模型的声学事件检测方法，其特征是：包括如下步骤：

步骤(1)对原始音频数据进行预处理：利用bin-MFCC提取声学特征；对声学特征做归一化处理和标注操作；

步骤(2)提出构建PBAttCapsNet-BGRU模型：利用PBA结合CNN关注声学事件发生的时间帧，提高对不连续声学事件的检测准确率，提取更加相关的高层抽象特征；由PrimaryCaps、EventCaps及软注意力机制构成胶囊层，实现时间特征向量的封装和传递；通过2层BGRU获取前后数据帧的上下文信息；利用2个时间全连接层将时间特征向量和前后数据帧的上下文信息进行整合与映射；

PBA包括通道注意力机制和像素空间注意力机制，通道注意力机制的具体表示为：

A_C(F)＝BN(W₁(W₀AvgPool(F)+b₀)+b₁)

其中：F代表输入特征图，BN(·)代表一个批量标准化操作，AvgPool(·)为平均池化操作，C/r表示压缩通道数，r代表通道压缩比率，像素空间注意力机制的具体表示为：

A_S(F)＝BN(f₃^1×1(f₂^3×3(f₁^3×3(f₀^1×1)(F))))

其中：f_i^j×j(·)代表一个卷积操作，i＝0,1,2,3，j×j表示卷积核的大小，j＝1,2,3；将A_C(F)与A_S(F)结合，得到像素注意力分布图为：A(F)＝σ(A_C(F)+A_S(F)),σ(·)为sigmoid激活函数，PBA的具体表示为：F_new代表将F与A(F)结合的新的特征图，表示逐元素相乘；

步骤(3)完成基于像素注意力机制胶囊网络模型的声学事件检测任务：利用提出的PBAttCapsNet-BGRU模型对测试集进行特征提取得到时间特征向量；通过BGRU层提升获取前后数据帧的上下文信息能力，并采用时间全连接层获取各时间帧所含的事件类别，实现声学事件检测任务。

2.根据权利要求1所述的基于像素注意力机制胶囊网络模型的声学事件检测方法，其特征是：在步骤(1)中对原始音频数据进行预加重、分帧、加窗、快速傅里叶变换后，利用梅尔滤波器组滤波，计算对数能量，经过离散余弦变换得到bin-MFCC声学特征。

3.根据权利要求2所述的基于像素注意力机制胶囊网络模型的声学事件检测方法，其特征是：所述步骤(1)中对bin-MFCC声学特征进行归一化处理，范围为[0,1]，计算声学事件的开始帧以及结束帧，标注对应声学事件的类别信息。

4.根据权利要求3所述的基于像素注意力机制胶囊网络模型的声学事件检测方法，其特征是：所述步骤(2)中PrimaryCaps和EventCaps之间使用动态路由算法进行迭代路由计算，选择声学事件的代表性频带，完成特征向量的封装和传递，确保对重叠声学事件的检测能力。

5.根据权利要求1或4所述的基于像素注意力机制胶囊网络模型的声学事件检测方法，其特征是：所述步骤(2)中PrimaryCaps对输入的高层抽象特征进行卷积、重塑，使用Squashing激活函数，获得T×V×U的三维特征张量生成初始胶囊，T表示重塑前的时间维度，V表示音频帧的胶囊数量，U表示胶囊的大小，通过迭代动态路由算法更新耦合系数，完成V个PrimaryCaps与代表事件特征向量的EventCaps的匹配。