音频分类-数据集：AudioSet【Google发行的声音版ImageNet】

GitHub：https://github.com/audioset/ontology

谷歌发布的大规模音频数据集，AudioSet 包括 632 个音频事件类的扩展类目和从YouTube视频绘制的 2084320 个人类标记的10秒声音剪辑的集合。

音频本体 (ontology) 被确定为事件类别的一张层级图，覆盖大范围的人类与动物声音、乐器与音乐流派声音、日常的环境声音。

AndioSet能为音频事件检测提供一个常见的、实际的评估任务，也是声音事件的综合词汇理解的一个开端。

该数据集收集了所有与我们合作的人类标注者从 YouTube 视频中识别的声音。我们基于 YouTube 元数据和基于内容的搜索来挑选需要标注的片段。

在我们的音频本体中，得到的数据集在音频事件类上有极好的覆盖。

训练神经网络时，最重要的是数据，其次是网络类型或结构等。尤其是音频标记、声音事件检测任务中，标注准确的公开数据屈指可数。DCASE2013、2016、2017等中，声音事件检测（Sound event detection，SED）的数据集，基本都是两个小时左右的规模。2017年，Google在ICASSP上发布了大型音频数据集AudioSet，为 general audio-related tasks提供了可用的数据集，但美中不足的是，AudioSet只含有片段级别（10秒左右）的标签，即我们常说的弱标签（Weak label）。

弱标签（Weak label）通常用于音频分类（audio classification）、音频标记（audio tagging）等任务，用于指示此片段中是否含有相应的声音事件。而如果想要知道声音事件在片段中具体的开始和结束的时间，那就需要强标签（Strong label）。所以，弱标签是片段级别（clip level）的标签，含有全局信息；强标签是更细致的帧级别（frame level）的标签，含有局部信息。强标签一般用于不仅需要预测音频片段中事件的种类，也需要预测对应事件的开始和结束时间的任务，例如声音事件检测（Sound event detection，SED）。

细粒度的音频事件标注是非常耗时费力的，若想精确到帧级别（例如40ms），那么标注1分钟长度的片段，可能需要10分钟不止，要是遇到某些难以确定开始和结束范围的事件，可能需要翻来覆去听好几遍才能确定。若标注任务中有复音音频事件，那同一个片段可能需要听更多次，每次专注于单个音频事件。所以，这也导致了大规模的音频数据标注工作一般由大公司发起，而对应的结果是，他们标注的数据集很少有公开的。

所以，当从今年的 ICASSP2021 论文集中看到Google发布的这篇文章时，可说是喜大普奔。文中从拥有1.8M的10秒音频片段的AudioSet中，选出了67K个片段、共456类事件，对其进行了帧级别（分辨率0.1秒）的标注，得到了对应的强标签。这对整个研究社区无疑贡献巨大，但这也无形间提升了研究的门槛，以后要是想发事件检测相关的论文，审稿人若问为什么没有在AudioSet上的实验结果，之前还可以说AudioSet中只有弱标签，没有事件级别的强标签，做不了相关实验，但现在AudioSet有了强标签，就不能再用这个理由逃避了。（但没有足够的计算资源，就难以开展相关的研究，难）

---

---

---

参考资料：
关于Audioset的音频分类研究
AudioSet指标解释
AudioSet数据集介绍(含国内镜像地址)
音频标签化1：audioset与训练模型 | 音频特征样本
公开数据集记录：语音、音乐和其他音频数据集
【论文随笔3】AudioSet终于有了强（帧级别）标签：THE BENEFIT OF TEMPORALLY-STRONG LABELS IN AUDIO EVENT CLASSIFICATION
音频模式识别中的涨点方法与影响因素分析