声音也是识别对象的一种重要数据源。其中根据声音来识别声音所处的环境也是语音识别的研究内容之一。今天对NIPS 2016年的这篇文章SoundNet: Learning Sound Representations from Unlabeled Video，（论文项目所在地址为：https://projects.csail.mit.edu/soundnet/）进行了复现，觉得这篇文章的做法挺有意义的。
1、论文原理
从题目中可以看出，其主要是从无标记的视频数据中来学习声音的相关信息。由于视频中包含图像和语音，由于图像现在的场景识别已经可以做到比较准确，因此根据识别的环境和语音之间的映射学习，从而可以学习得到语音与场景环境之间的对应关系。
论文的主要原理如下图所示：
即通过SoundNet架构与ImageNet,Place CNN等进行联合训练。首先视频数据集中的每个视频都切分成两部分，一部分为音频，一部分为RGB图像帧。视觉识别网络采用在ImageNet和Places两个大型图像数据集上的预训练VGG模型。ImageNet和Places都是图像识别领域的大型数据集，其中Imagenet是图像目标分类数据集，Places是图像场景分类数据集。将从视频中分割出来的RGB帧输入到预训练的VGG模型（代码中正常使用ResNet34）中，得到的输出结果作为声音识别网络的监督信息。声音识别网络采用8层的全卷积结构，使用从视频中提取出的声音时间序列作为网络的输入，损失函数采用KL-divergence。
2、论文实践：
（1） 给定一个声音，识别声音所在场景，可以识别出为火车相关的环境场景；
（2） 对给定一首歌曲，可以识别其发生场景为艺术厅
