机器准确听取周围声音并认知其内容,是以人工智能(AI)和物联网(IoT)为基础的第四次工业革命中的核心技术。这类听觉识别技术相比视觉识别技术在AI领域发展相对缓慢,全球竞争十分激烈。在此背景下,韩国研究团队在角逐该技术水平的国际竞赛中击败全球大企业登上榜首。
韩国电子通信研究院(ETRI)20日表示,在本月3日举行的全球性活动“第6届基于AI的声音事件与场景识别技术竞赛(DCASE)”的声音场景识别领域中夺得第一名。由此,对赋予机器与人类同样听觉识别能力的国产技术及服务发展的期待进一步增大。团队排名第二的是“佐治亚理工-中国科技大学-腾讯-UEK联合队”。
ETRI团队获得第一、二名的领域是“面向多种终端的声音场景识别”课题,即听取由多种终端设备录制的声音并判断录音地点。该领域需要对运动相机、双耳麦克风以及容易混入杂音的普通智能手机等各类设备不同的信号特性进行准确判断。这里的关键是“泛化性能”。例如,给出用智能手机录制的法国巴黎地铁声音文件作为学习用声音数据,开发出识别系统后,在评价阶段播放未用于学习的运动相机录制的地铁声音,考察能否判断出所处情境。
ETRI团队之所以能夺冠,业界评价认为是因为其开发了将声音按频率带划分、使AI按模型进行学习的深度学习技术“基于深度学习的三叉戟(Trident)结构神经网络”。此外,设计并应用了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”,也被视为夺冠秘诀。关于此次开发的技术,ETRI媒体研究本部长金兴默介绍称:“可广泛应用于面向老弱者、听觉障碍者的‘危险回避技术’,或听取声音并导出相关信息的‘媒体自动标签技术’等。”
DCASE是谷歌、英特尔、亚马逊、IBM、三星集团、LG等全球知名机构参加的唯一一项声音技术相关竞赛。由电气电子工程师协会(IEEE)下属AASP主办,从今年3月至6月中旬在6个领域展开。本次大赛有138支队伍参加,提交了473套系统。/闵丙权记者 newsroom@sedaily.com






