APOAI 2026 T2 Audio Event Detection

• 来源：noai-mis/APOAI/2026/T2
• 类型：Audio
• 原始资料：statement.md、baseline.ipynb、meltrain_v2/train.csv
• 题面完整性：完整
• 解法资料完整性：有 baseline；无独立题解，以下结合题面推断

题面大意

给定 3 秒、16 kHz 的音频片段，预测 8 类电话场景声音事件：cough, sneeze, laughter, cry, dog_bark, siren, noise, none。提供预计算 log-mel spectrogram，shape [64,300]。高权重类 cough/sneeze/laughter/cry 权重为 2，低权重类权重为 1。训练 24000，验证/测试各 4000，提交 A/B 预测。

数据特点

音频模拟电话场景，可能包含语音、背景噪声和偶发事件。输入 log-mel 已经固定，不需要从 wav 重新提取。类别分布相对均衡但不同类权重不同，哭声、笑声、咳嗽、喷嚏等人声事件更重要。片段较短，目标事件可能只占局部时间。

考点

核心考点是时频图分类和加权指标优化。模型需要从 mel 图中捕捉短时瞬态（咳嗽、喷嚏）、持续人声模式（笑、哭）和背景声（警笛、犬吠、噪声）。由于已给 mel，重点在 CNN/CRNN 架构、数据增强和类别权重。

涉及知识点

• Log-mel spectrogram。
• 2D CNN / CRNN / attention pooling。
• SpecAugment：时间遮挡、频带遮挡。
• 类别权重、weighted cross entropy。
• 音频事件短时定位和 clip-level pooling。

解法思路

基础方案是把 [64,300] mel 当作单通道图像，训练小 CNN 分类。可使用 batch norm、dropout、global average pooling，避免过拟合。训练 loss 使用类别权重，或在采样时提高高权重类别比例。增强包括随机时间平移、频带 mask、时间 mask、mixup 和加噪。

更强方案是 CNN + temporal pooling：卷积提取局部时频特征后，沿时间做 attention pooling 或 max/mean pooling，使短暂事件也能影响 clip-level 预测。对于 none/noise，可加入阈值校准，避免把背景误判为高权重事件。

可选/多种解法

小 CNN：速度快，适合固定 mel 输入。

CRNN：CNN 后接 GRU/LSTM，建模时间变化。

模型集成/TTA：多 seed、不同增强和时间裁剪平均，提高 A/B 稳定性。

特殊技巧

高权重类应在验证目标中单独监控。喷嚏/咳嗽常是短促瞬态，max pooling 比纯 average pooling 更能捕捉；笑声/哭声更持续，mean/attention 有帮助。none 类可能包含语音或低噪，不应简单等同静音。

调参优化

题解已有线索集中在类别权重、SpecAugment、mixup、时间裁剪和 none/noise 阈值校准。调参时应把加权准确率或按题目权重计算的验证分作为主指标，而不是普通 accuracy；重点网格可放在学习率、dropout、SpecAugment mask 宽度、mixup alpha、batch size 和 class weight 倍数上。短促事件更依赖时间分辨率和 max/attention pooling，可对 temporal pooling 方式单独 ablation。若本地验证波动大，多 seed 概率平均通常比继续加深模型更稳。

注意事项

验证和测试集在评测环境通过环境变量可见，本地可能没有。提交格式要与 baseline 一致。不要使用外部预训练音频模型，题面环境基于 ioai3.6。

推广意义

这题是音频事件检测的标准竞赛形态：固定 mel、短 clip、多类别、业务权重。方法可迁移到电话质检、智能家居声音识别、工业异常声检测等任务。