[发明专利]音频分类方法、电子设备以及存储介质

权利要求书

1.一种音频分类方法，其特征在于，包括：

确定待处理音频信号；

将所述待处理音频信号输入至编码器；

将所述编码器输出的音频信号输入至瓶颈层；

将所述瓶颈层输出的音频信号输入至多尺度特征提取模块，提取输入多尺度特征提取模块的音频信号的不同尺度特征；

将所述不同尺度特征输入至分类器，获取对音频的分类结果；

所述多尺度特征提取模块由多组膨胀卷积网络级联构成，每一组包含多个级联的膨胀卷积块，并且每个所述膨胀卷积块的膨胀率按照2的指数倍增大；

所述膨胀卷积块包括：逐点卷积层、第一PReLU激活函数层、第一归一化层、深度卷积层、第二PReLU激活函数层、第二归一化层以及第一一维卷积层；

通过所述逐点卷积层、所述第一PReLU激活函数层、所述第一归一化层、所述深度卷积层、所述第二PReLU激活函数层以及所述第二归一化层依次对第一音频信号进行处理，获得第二音频信号；

将所述第二音频信号输入至所述第一一维卷积层与第二一维卷积层，获得第三音频信号与第四音频信号；

将所述第三音频信号输入至所述分类器；

将所述第四音频信号与所述第一音频信号叠加，获得第五音频信号，并提高分类网络深度；

将所述第五音频信号输入至下一个所述膨胀卷积块。

2.根据权利要求1所述的音频分类方法，其特征在于，所述分类器包含：注意力机制层、长短时记忆网络层、线性层以及Softmax层；

将所述不同尺度特征输入至所述注意力机制层，合并所述不同尺度特征，得到聚焦后的特征；

将所述聚焦后的特征输入至所述长短时记忆网络层，获取时序记忆特征；

将所述时序记忆特征输入至线性层；

将所述线性层处理后的音频信号输入至所述Softmax层，获得音频分类结果。

3.根据权利要求2所述的音频分类方法，其特征在于，

所述注意力机制层包含：键、值、查询;

将输入所述分类器的所述不同尺度特征同时作为键和值，并且通过长短时记忆网络层的上一时刻的隐层特征获取查询，获得聚焦后的特征。

4.根据权利要求1-3中任一所述的音频分类方法，其特征在于，在训练音频分类网络时，所述方法还包括：通过交叉熵损失函数对所述音频分类网络进行反向传播，用于修正分类网络参数。

5.一种音频分类装置，其特征在于，包括：

确定模块，用于确定待处理音频信号；

编码模块，用于将所述待处理音频信号输入至编码器；

输出模块，用于将所述编码器输出的音频信号输入至瓶颈层；

多尺度特征提取模块，用于将所述瓶颈层输出的音频信号输入至多尺度特征提取模块，提取输入多尺度特征提取模块的音频信号的不同尺度特征；

分类模块，用于将所述不同尺度特征输入至分类器，获取对音频的分类结果；

所述多尺度特征提取模块由多组膨胀卷积网络级联构成，每一组包含多个级联的膨胀卷积块，并且每个所述膨胀卷积块的膨胀率按照2的指数倍增大；

所述膨胀卷积块包括：逐点卷积层、第一PReLU激活函数层、第一归一化层、深度卷积层、第二PReLU激活函数层、第二归一化层以及第一一维卷积层；

通过所述逐点卷积层、所述第一PReLU激活函数层、所述第一归一化层、所述深度卷积层、所述第二PReLU激活函数层以及所述第二归一化层依次对第一音频信号进行处理，获得第二音频信号；

将所述第二音频信号输入至所述第一一维卷积层与第二一维卷积层，获得第三音频信号与第四音频信号；

将所述第三音频信号输入至所述分类器；

将所述第四音频信号与所述第一音频信号叠加，获得第五音频信号，并提高分类网络深度；

将所述第五音频信号输入至下一个所述膨胀卷积块。