我开始使用Google的Audioset。虽然数据集很广泛，但我发现有关音频特征提取的信息非常模糊。该网站提到
以1Hz提取的128维音频特征。使用Hershey等人描述的VGG启发的声学模型提取音频特征。 al。，受过YouTube-8M初步版的培训。这些功能经过PCA编辑和量化，与YouTube-8M提供的音频功能兼容。它们存储为TensorFlow Record文件。
在paper范围内，作者讨论了在960毫秒的块上使用mel谱图来获得96x64的表示。然后我不清楚他们如何使用Audioset中使用的1x128格式表示。有谁知道更多关于这个？
答案 0 :(得分：2)
他们使用96*64数据作为经过修改的VGG网络的输入。VGG的最后一层是FC-128，因此其输出将是1*128 ，这就是原因。
VGG的体系结构可以在这里找到：https://github.com/tensorflow/models/blob/master/research/audioset/vggish_slim.py