UrbanSound8K数据集介绍与下载

下载地址：迅雷网盘

---

一、数据集概述

UrbanSound8K是目前城市环境声分类研究领域应用最为广泛的公共数据集之一。该数据集由Salamon等人于2014年在ACM Multimedia会议上首次发布，旨在为城市声音研究提供标准化的基准数据。数据集共包含8732条已标注的声音片段，每条片段时长均不超过4秒。

二、声音类别

数据集涵盖10个城市环境声音类别：

编号	类别名称	中文含义
0	Air Conditioner	空调声
1	Car Horn	汽车鸣笛声
2	Children Playing	儿童玩耍声
3	Dog Bark	狗叫声
4	Drilling	钻孔声
5	Engine Idling	引擎空转声
6	Gun Shot	枪声
7	Jackhammer	手提钻
8	Siren	警笛声
9	Street Music	街道音乐声

三、数据特点与结构

UrbanSound8K的数据主要来源于Freesound平台，经过筛选、标注和预处理后构建而成。数据集的一个关键设计特点是提供了10折交叉验证的划分方案，所有实验应遵循官方的折划分以保证结果的可比性。每条音频片段均经过人工验证，确保标注质量。

音频文件以WAV格式存储，元数据中记录了类别标签、音频来源ID、起始时间和结束时间等信息。数据集本身包含8732条片段，但原始音频文件数量少于片段数，因为某些较长的源音频被切割为多个片段。

四、研究应用与性能基准

UrbanSound8K被广泛用于评估各类音频分类模型。根据已有的实验报告，不同模型在该数据集上的表现差异显著：

• 1DCNN：在10折交叉验证下的测试集准确率约为54.94%
• YAMNet（基于log-mel频谱图）：各类别的准确率从约40%到86%不等，其中“枪声”和“汽车鸣笛声”表现较好，“警笛声”和“空调声”相对较低
• ESResNet等基于视觉域模型的方案：在10折交叉验证中报告了具有竞争力的结果
• 部分采用数据增强的复杂模型（如TSCNN-DS）在非官方随机划分上可达97.2%，但这一结果与官方折划分下的基准不可直接比较

值得注意的是，类别间的难度差异较大。例如，“警笛声”和“钻孔声”由于频谱特征重叠或环境干扰，分类难度普遍高于“枪声”等瞬态特征明显的声音。

五、使用建议

使用UrbanSound8K时，建议遵循官方提供的10折划分进行训练和评估，以保证结果的可复现性和与文献的可比性。数据预处理方面，常见的表示方法包括梅尔频谱图、MFCC以及原始波形输入，不同表示对模型性能有显著影响。