DCASE 2018 다섯 과제 통합 CNN 베이스라인 분석

본 논문은 2018년 DCASE 챌린지에서 제시된 다섯 개의 음향 인식 과제에 대해 동일한 컨볼루션 신경망(CNN) 기반 베이스라인을 구축하고, 그 성능을 비교·분석한다. 과제는 (1) 장면 분류(ASC), (2) Freesound 기반 일반 음원 태깅, (3) 조류 검출, (4) 약한 라벨링·반지도 학습 기반 사운드 이벤트 검출(SED), (5) 다채널 가정 활동 인식으로 구성된다. 연구팀은 이미지 분야에서 널리 쓰이는 AlexNet 구조를 4층으로 축소한 CNN4와 VGG 구조를 8층으로 구현한 CNN8 두 가지 모델을 설계하였다. 입력 특징으로는 64개의 로그‑멜 스펙트로그램을 사용했으며, 각 층 뒤에 배치 정규화와 ReLU를 적용하고, 마지막 컨볼루션 층 뒤에는 전역 최대 풀링(GMP)을 두어 시간·주파수 차원을 압축한다. 출력층은 과제에 따라 sigmoid(다중 라벨) 또는 softmax(단일 라벨)를 사용한다. 학습은 Adam 옵티마이저(초기 학습률 0.001, 200 iteration마다 0.9배 감소)를 이용해 5000 iteration까지 진행했으며, 배치 크기는 과제 4를 제외하고 128, 과제 4는 32로 설정했다. GPU(Titan X)에서 CNN4는 1 iteration당 약 60 ms, CNN8은 200 ms가 소요되었다. 성능 결과는 다음과 같다. 과제 1에서는 CNN4와 CNN8 모두 0.680의 정확도를 기록했으며, 이는 기존 2‑layer 베이스라인(0.597)보다 크게 향상되었다. 과제 2에서는 CNN8이 정확도 0.895와 MAP 0.928을 달성해, CNN4(0.851, 0.894)보다 각각 4.4%·3.4% 높은 성능을 보였다. 과제 3에서는 CNN8이 정확도 0.751, AUC 0.854를 기록했으며, CNN4(0.640, 0.751)보다 현저히 우수했다. 과제 4에서는 오디오 태깅 AUC가 CNN8 0.948, CNN4 0.930으로 차이를 보였고, 프레임‑와이즈 예측을 이용한 SED2보다 클립‑와이즈 태깅 기반 SED1이 F1 20.8%로 더 높은 검출 성능을 나타냈다. 과제 5에서는 다채널 정보를 단일 채널로 변환한 뒤 CNN8이 F1 87.75%를 달성했으며, CNN4(85.73%)보다 2% 정도 개선되었다. 전체적으로, 동일한 전처리·학습 파이프라인 하에 CNN 깊이가 과제 특성에 따라 다른 영향을 미친다. 복합 라벨링·다중 클래스가 많은 과제(2, 3, 5)에서는 8‑layer 모델이 뚜렷한 이점을 보였으나, 장면 분류와 같이 상대적으로 단순한 분류에서는 깊이가 큰 차이를 만들지 못했다. 또한, 본 연구는 모든 코드와 모델을 MIT 라이선스로 공개함으로써 연구 재현성과 향후 확장성을 크게 향상시켰다.