Классификация звуков окружающей среды получила большое внимание в последние годы. Анализ звуков окружающей среды затруднен из-за их неструктурированной природы. Однако, наличие устойчивых частотно временных паттернов распределения энергии делает классификацию возможной. Поскольку нейронные сети архитектуры LSTM эффективны при обработке временных зависимостей, в данной работе описана и исследована модель на основе LSTM для классификации городских звуков. Модель обучена на амплитудных спектрограммах с нелинейным масштабом частоты в мелах, извлеченных из записей набора данных UrbanSound8K. Предложенная модель оценивается с использованием 5-кратной перекрестной проверки и сравнивается с базовой моделью на основе CNN. В данной работе показано, что модель на основе LSTM превосходит большинство существующих решений и является более точной и надежной, чем базовая модель на основе CNN.

Environmental sound classification has received more attention in recent years. Analysis of environmental sounds is difficult because of its unstructured nature. However, the presence of strong spectro-temporal patterns makes the classification possible. Since LSTM neural networks are efficient at learning temporal dependencies we propose and examine a LSTM model for urban sound classification. The model is trained on magnitude mel-spectrograms extracted from UrbanSound8K dataset audio. The proposed network is evaluated using 5-fold cross-validation and compared with the baseline CNN. It is shown that the LSTM model outperforms a set of existing solutions and is more accurate and confident than the baseline CNN.