索尼人工智能 发布 DCASE2025 Task3 Stereo SELD Dataset 数据集, 应用在 声音事件定位与检测、音频视觉处理 领域

索尼人工智能 本次发布的数据集 DCASE2025 Task3 Stereo SELD Dataset, DCASE2025 Task3 Stereo SELD数据集是从STARSS23数据集中提取的立体声音频和透视视频数据。STARSS23包含多通道音频（例如FOA）和360°视频录制，以及目标事件类的时空注释。该数据集已被转换为立体声音频和透视视频数据，以模拟常规媒体内容。数据集分为开发集和评估集，分别包含30000个5秒长度的音频视频片段和10000个5秒长度的音频视频片段，总计55.6小时。该数据集旨在解决声音事件定位和检测（SELD）问题，并包含13个事件类别，如语音、电话和水龙头。立体声音频格式具有24 kHz的采样率，视频分辨率为640:360像素，水平视角为100°，帧率为29.97 fps。该数据集适用于音频增强、摄像头自动对准等音频视觉处理领域。

查看DCASE2025 Task3 Stereo SELD Dataset

关于 索尼人工智能 , 索尼人工智能是索尼集团的一部分，致力于推动人工智能技术的发展和应用，在机器人技术和图像处理等领域有显著成就。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。