对 CNN 建模的理想方法是什么？
What would be the ideal approach to model a CNN?
我正在尝试检测音频文件中某种类型的声音。这些录音的长度可变，我想要检测的声音类型通常约为 1~5 秒长，我有数据集的标签（事件发生时的开始和偏移）。
我最初的方法是将其视为二元分类问题。我每半秒计算一次梅尔频谱图（例如）。如果在这 0.5 秒内没有事件，我会将该频谱图标记为 0，如果不是，则标记为 1。
我可以用什么方法来对抗它？我试图通过传递 0.1 而不是 1 来进行更改（假设前面的示例）。基本上标记图像中发生的事件的百分比：标记 [0~1] 而不是 {0,1}.
非常感谢。
我已经通过使用固定 input-size CNN 进行简单分类然后在扫描可变长度样本（1-5 秒声音片段）时多次调用 CNN 来解决此类问题。
例如，假设您创建了一个输入 0.2s 数据的 CNN，现在输入大小是固定的。您可以根据样本的中心点是否在您在问题中定义的 event 内来计算该 0.2s 的 {0, 1} 标签。您可以使用相同的方法尝试不同的输入大小。
现在您要求 CNN 在您的 1-5 秒样本中的每个点进行预测。首先，您向 CNN 传递前 0.2 秒的数据，然后前进一个或多个数据点（您的步长是 hyper-parameter，您可以调整）。假设您的步长为 0.1s，您的第二步将使用样本中 0.1s 到 0.3s 的数据生成 CNN 分类。继续，直到到达样本的末尾。您现在对样本进行了分类。原则上，您可以在每个数据点进行分类，因此您拥有与数据点一样多的预测。滚动中值滤波器（参见 pandas）是平滑预测的好方法。
这是一个非常简单的 CNN 设置。您还可以通过大量增加训练数据而受益，因为每个声音文件现在都是许多训练样本。使用此方法，您的预测分辨率非常精细。
这里有一篇更深入地描述该方法的论文（如果你付费的话，arXiv 上还有一个稍早的同名版本），从第 3 部分开始阅读：
https://academic.oup.com/mnras/article/476/1/1151/4828364
在那篇论文中，我们使用的是 1D 天文数据，其结构与 1D 音频数据基本相同，因此该技术将适用。在那篇论文中，我所做的不仅仅是分类，我使用相同的技术来定位零个或多个事件以及表征这些事件（我将从分类开始，以满足您的目的）。所以你可以看到这种方法扩展得很好。事实上，即使是在时间上部分重叠的多个事件也可以被有效地识别和提取。
我正在尝试检测音频文件中某种类型的声音。这些录音的长度可变，我想要检测的声音类型通常约为 1~5 秒长，我有数据集的标签（事件发生时的开始和偏移）。
我最初的方法是将其视为二元分类问题。我每半秒计算一次梅尔频谱图（例如）。如果在这 0.5 秒内没有事件，我会将该频谱图标记为 0，如果不是，则标记为 1。
我可以用什么方法来对抗它？我试图通过传递 0.1 而不是 1 来进行更改（假设前面的示例）。基本上标记图像中发生的事件的百分比：标记 [0~1] 而不是 {0,1}.
非常感谢。
我已经通过使用固定 input-size CNN 进行简单分类然后在扫描可变长度样本（1-5 秒声音片段）时多次调用 CNN 来解决此类问题。
例如，假设您创建了一个输入 0.2s 数据的 CNN，现在输入大小是固定的。您可以根据样本的中心点是否在您在问题中定义的 event 内来计算该 0.2s 的 {0, 1} 标签。您可以使用相同的方法尝试不同的输入大小。
现在您要求 CNN 在您的 1-5 秒样本中的每个点进行预测。首先，您向 CNN 传递前 0.2 秒的数据，然后前进一个或多个数据点（您的步长是 hyper-parameter，您可以调整）。假设您的步长为 0.1s，您的第二步将使用样本中 0.1s 到 0.3s 的数据生成 CNN 分类。继续，直到到达样本的末尾。您现在对样本进行了分类。原则上，您可以在每个数据点进行分类，因此您拥有与数据点一样多的预测。滚动中值滤波器（参见 pandas）是平滑预测的好方法。
这是一个非常简单的 CNN 设置。您还可以通过大量增加训练数据而受益，因为每个声音文件现在都是许多训练样本。使用此方法，您的预测分辨率非常精细。
这里有一篇更深入地描述该方法的论文（如果你付费的话，arXiv 上还有一个稍早的同名版本），从第 3 部分开始阅读：
https://academic.oup.com/mnras/article/476/1/1151/4828364
在那篇论文中，我们使用的是 1D 天文数据，其结构与 1D 音频数据基本相同，因此该技术将适用。在那篇论文中，我所做的不仅仅是分类，我使用相同的技术来定位零个或多个事件以及表征这些事件（我将从分类开始，以满足您的目的）。所以你可以看到这种方法扩展得很好。事实上，即使是在时间上部分重叠的多个事件也可以被有效地识别和提取。