基于深度胶囊网络融合模型的多声音事件检测

传统的胶囊网络架构是基于动态路由机制实现的，需要大量迭代和向量计算来更新权值系数，并且胶囊之间不存在信息共享，导致信息冗余。针对这一缺陷，本工作提出了一种基于融合深度胶囊网络的多声音事件检测模型，在门控卷积和3D卷积下通过动态路由减少了特征重叠导致的信息冗余，并且对原始特征进行编码，将其用于特征信息补充，提高了训练次数模型的速度和准确性。本工作使用DCASE2017(Detection and Classification of Acoustic Scenes and Events 2017) Challenge Task 4数据集对模型进行评估，最终F1分数达到59.6%，声音事件检测错误率低至0.71。结果表明，所提出的方法可以显著提高训练速度和精度。

青岛科技大学学报(自然科学版)