2021-2021年间声音分类：数据增强与深度学习方法的SLR综述

《声音分类中的数据增强和深度学习方法：系统综述》是一篇系统性文献综述，主要关注在小数据背景下利用数据增强技术提升深度学习在声音分类（如语音、讲话和相关音频信号）任务中的性能。该研究采用PRISMA标准，从Web of Science、SCOPUS和IEEE Xplore三大文献数据库检索，历时五年（2017-2021），发现了131篇相关论文。经过筛选，作者最终选择了56篇论文进行深入分析。 文献指出，先前的研究面临数据稀缺、标注不准确、数据不平衡、噪声干扰以及声音特征表达不充分等问题，这些问题直接影响了分类器的性能。因此，作者对这些问题进行了深入探讨，并强调了数据增强技术的重要性。数据增强，如频谱切片、时间扭曲、噪声注入等，能有效扩充训练数据，提高模型的泛化能力，尤其对于小样本场景下的声音分类非常关键。 文章详细梳理了声音数据集的类型和特点，包括但不限于公开可用的基准数据集（如TIMIT、VoxForge等），以及针对特定应用定制的数据集。特征提取方法也是讨论的重点，包括MFCC（梅尔频率倒谱系数）、滤波器银行、时域和频域特征等。此外，作者还介绍了几种常见数据增强技术的应用实例，如GAN（生成对抗网络）在合成新样本上的应用，以及迁移学习和半监督学习如何结合数据增强优化模型性能。 通过对56篇论文的综合分析，作者总结了声音分类领域的研究现状，指出了研究趋势，比如集成深度学习与传统机器学习方法、探索更有效的数据增强策略以及跨模态学习（如结合视觉和听觉信息）。最后，该综述为声音分类任务提出了建议，包括选择适合的数据增强策略、优化特征表示、以及开发鲁棒的模型架构，以应对不同环境和应用场景的需求。 《声音分类中的数据增强和深度学习方法：系统综述》为研究者提供了一个全面的框架，帮助他们理解和改进声音分类中的数据处理和模型设计，尤其是在面对数据稀缺的情况下。通过深入了解本文，读者可以了解到如何有效地利用数据增强来提高深度学习在声音分类任务中的表现。