我正在开始使用 Google 的 Audioset 。虽然数据集很广泛，但我发现有关音频特征提取的信息非常模糊。该网站提到
128-dimensional audio features extracted at 1Hz. The audio features were extracted using a VGG-inspired acoustic model described in Hershey et. al., trained on a preliminary version of YouTube-8M. The features were PCA-ed and quantized to be compatible with the audio features provided with YouTube-8M. They are stored as TensorFlow Record files.
在paper内中，作者讨论了在 960 ms block 上使用梅尔频谱图来获得 96x64 表示。我不清楚他们如何获得 Audioset 中使用的 1x128 格式表示。有谁知道更多吗？
最佳答案
他们使用96*64数据作为修改后的VGG网络的输入。VGG的最后一层是FC- 128，所以它的输出将是1*128，这就是原因。
VGG的架构可以在这里找到:https://github.com/tensorflow/models/blob/master/research/audioset/vggish_slim.py
关于audio - 谷歌音频集中使用什么算法进行音频特征提取？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44080007/