본 논문은 합성곱 신경망(CNN) 기반 모델 대신 트랜스포머 기반 아키텍처를 원시 음향 신호에 적용하여 음향 장면 분석을 수행하는 새로운 접근 방식을 제안합니다. Free Sound 50K 데이터셋을 사용한 실험 결과, 제안된 모델은 기존의 CNN 모델들을 능가하는 최첨단 성능을 달성했습니다. 특히, 사전 훈련 없이도 CNN 모델을 뛰어넘는 성능을 보였다는 점이 주목할 만합니다. 본 논문에서는 또한 합성곱 신경망에서 영감을 얻은 풀링 기법과 웨이블릿에서 영감을 얻은 다중 속도 신호 처리 기법을 트랜스포머 아키텍처에 적용하여 성능을 향상시키는 방법을 제시하고, 모델이 과제에 적응적인 시간-주파수 표현을 학습하는 것을 보여줍니다.
