人民大学提出听音识物AI框架，不用人工标注，嘈杂环境也能Hold住，还可迁移到物体检测

不用人工标注，也能让AI学会听音寻物。

还能用在包含多种声音的复杂环境中。

比如这个演奏会视频，AI就能判断出哪些乐器在发声，还能定位出各自的位置。

这是中国人民大学高瓴人工智能学院最近提出的新框架。

对于人类而言，听音识物是一件小事，但是放在AI身上就不一样了。

因为视觉和音频之间对应关系无法直接关联，过去算法往往依赖于手动转换或者人工标注。

现在，研究团队使用聚类的方法，让AI能够轻松识别各种乐器、动物以及日常生活中会出现的声音。

同时，这一方法还能迁移到无监督的物体检测任务中，其成果被发表在《IEEE Transactions on Pattern Analysis and Machine Intelligence》 (TPAMI)。

构建物体视觉表征字典

具体来看这个框架，可以分为两个阶段：

在第一阶段，AI要在单一声源场景中学习物体的视觉-音频表征；然后再将这一框架迁移到多声源场景下，通过训练来辨别更多的声源。

通俗一点来讲，就是让AI先能把一种声音和其声源物体的样子联系起来，然后再让它在“大杂烩”里分辨不同的种类。

以听音乐会举例。

研究人员喂给AI的都是乐器独奏视频，可能包含大提琴、萨克斯风、吉他等等。

然后运用聚类的方法，让AI把所有的样本进行划分。聚类的每一个簇，被认为能够代表一种语义类别的视觉表征集合。

由此一来，AI便在无形之中掌握了不同乐器在外观和声音上的关系，也就是可以听音识物了。

在这个过程中，研究人员针对每个簇进行特征提取并打上伪标签，可以构建出一个物体视觉表征字典。

第二阶段中，研究人员让这个框架先能从视觉方面定位出画面中存在的不同物体，然后再根据声音信息过滤掉不发声物体。

其中，定位物体这一步用到了第一阶段中得出的物体视觉表征字典。

具体来看，对于某一帧多声源的场景，AI会先从画面中提取到不同物体的特征，然后再和字典中的各个类别比对，从而完成听音识物的初步定位。

之后，将画面中存在物体的定位结果与发声区域进行哈达玛积，过滤掉不发声的物体，同时还能细化发声物体的定位结果。

从直观识别效果中看，该方法能够很好辨别画面中的发声物体，而且在视觉识别准确度上表现也更好。

△每行前3张为真实演奏场景，后4张为合成场景

在具体表现上，研究人员分别使用了合成音乐、二重奏等4个数据集来测试这个框架识别的水平。

结果显示，此次提出的新方法表现都非常nice，尤其是在乐器分布更加均衡的数据集上。

那么不听音乐、只听日常的声音，表现又会如何呢？

作者分别展示了成功和失败的一些例子：

△一些成功案例

△一些失败案例

作者表示，出现失败的情况中，一方面是无法定位到正确的声源位置（如上图第一行）。

还有一些是不能辨别某些场景中的特定声音（如上图第二行）。

此外，这种方法还能迁移到物体检测任务中去。比如在ImageNet子集上的无监督物体检测表现也值得关注。

团队主要来自人大AI学院

本项研究由中国人民大学高瓴人工智能学院主导，通讯作者为GeWu实验室胡迪助理教授，主要内容由GeWu实验室博士生卫雅珂负责。

胡迪于2019年博士毕业自西北工业大学，师从李学龙教授。曾荣获2020年中国人工智能学会优博奖，受中国科协青年人才托举工程资助。主要研究方向为机器多模态感知与学习，以主要作者身份在领域顶级国际会议及期刊上发表论文20余篇。

中国人民大学文继荣教授也参与了此项研究。他目前为中国人民大学高瓴人工智能学院执行院长、信息学院院长。主要研究方向为信息检索、数据挖掘与机器学习、大模型神经网络模型的训练与应用。

论文地址：https://arxiv.org/abs/2112.11749

项目主页：https://gewu-lab.github.io/CSOL_TPAMI2021/

来源：量子位