2020-07-20 | 박희윤 기자

ETRI在AI声音识别大赛中夺得世界第一

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

韩国研究团队在利用人工智能(AI)通过听声音判断所处情境、比拼音响识别技术实力的国际大赛中夺得世界第一。机器在如人类一般感知听觉的道路上又迈进一步,音响技术与各产业领域的融合有望加速。

韩国电子通信研究院(ETRI)20日表示,该院于本月3日参加了全球性的基于人工智能的音响事件及场景识别技术竞赛(DCASE)“音响场景识别领域”,与全球企业、大学联合团队角逐并取得优异成绩。

今年已举办第6届的该大赛由世界最大的电气电子工程师协会(IEEE)AASP主办,谷歌、英特尔、亚马逊、IBM、三星集团、LG等世界知名机构参加,是唯一的音响技术相关大赛。大赛共设6个领域,提交了138个团队和473个提案系统,自3月至6月中旬按课题展开技术竞争。

ETRI参加的领域之一“面向多终端的音响场景识别”课题,是通过听取多种终端录制的声音来判断录音地点的领域。从运动相机及双耳麦克风,到易混入杂音的普通智能手机,需要对各设备不同的信号特性进行统一而准确的判断,“泛化性能”是关键。

例如,若给定用智能手机录制的法国巴黎地铁声音作为学习用音响数据,开发出识别系统后,在评估中播放未用于学习的运动相机录制的地铁声音,检验其是否能判断出情境。

研究团队在该领域囊括系统排名第1、第2位,展现出压倒性的技术实力。每个团队最多可提交4项技术,在共28个团队、92个系统参赛的情况下,ETRI的技术取得最佳成绩,夺得团队排名第1位。团队排名第2位由佐治亚理工学院、中国科技大学腾讯、UEK联合团队获得。

所开发的技术可应用于面向老弱者及听力障碍者的“危险规避技术”领域,可作为温暖的技术,服务于因听不清声音而无法认知情境的群体。

此外,还预计可用于通过听声音提取相关信息的媒体自动标注技术,通过听汽车、工厂生产线声音判断是否异常的设备状态监控,以及机器人等多个领域。

研究团队将优异成绩的秘诀归结为设计并应用了将声音按频段划分、使模型分别学习的“基于深度学习的三叉戟(Trident)结构神经网络开发”,以及在实现各终端音频信号处理特性泛化方面具有优势的“非均等输入特征分割技法”。

由此,团队从容应对了比去年更难的课题,在接触到不仅是学习所用终端、还有新终端的音响数据时,也能发挥优于其他参赛团队的性能。

研究团队还结合正在推进的课题,参加了“基于低复杂度的音响场景识别”“音响发生方向及事件识别”领域,均取得良好成绩。获奖团队将包含追加性能分析结果,提交并发表学会论文。

研究团队表示,相较于AI在视觉、语言识别等领域的研究已达到超越人类的水平,听觉领域仍有很长的路要走,目前正以实现如“电子耳”一般可识别所有音响的水平为目标进行研发。

ETRI媒体研究本部长金兴默表示:“基于深度学习的音响识别技术今后将通过新应用服务技术的开发,为韩国相关产业确保竞争力和激活市场作出重大贡献。”

/大田=朴熙润记者 hypark@sedaily.com

阅读韩文原文