Aug, 2021

SpecMix : 一种混合样本数据增强方法用于基于时频域特征的训练

PDF
TL;DR本文提出了一种混合样本数据增强策略 Specmix，可以提高模型在音频场景分类、声音事件分类和语音增强任务中的性能。通过应用时间频率掩码来混合两个不同的数据样本，有效地保留音频数据中的频谱相关性，实验表明，该方法可以最大程度地提高各种神经网络架构的性能，提高了 2.7%。
audiodata augmentationtime-frequency domain featuresneural network architecturesspecmix
发现论文，激发创造
  • 大规模数据集上的 SpecAugment

    本文介绍了一种基于 SpecAugment 的自适应掩蔽方法，该方法可以直接作用于语音识别中输入语音信号的高频图谱上，并证明了该方法在大规模数据集上的有效性，通过将增强数据与噪声扰动训练的数据混合使用，使得模型在所有测试领域中都取得了进一步的提升。

    Dec, 2019

  • MixSpeech: 低资源语音识别数据增强

    本文提出了 MixSpeech，一种基于混合学习的自动语音识别数据增强方法，通过该方法可以有效地提高模型性能，实验结果表明该方法优于基准模型和其他流行的数据增强方法。

    Feb, 2021

  • 面向时间序列预测的多样性和连贯性增强

    本文提出了一种结合了谱分解和时间分解的数据增强方法，可用于预测型时间序列数据的生成，实验表明该方法在五个真实的数据集上均取得了比其他基准模型和增强方法更好的表现。

    Mar, 2023

  • 使用 SpecAugment 进行端到端语音翻译

    本研究探讨了一种简单的数据增强技术 SpecAugment，用于端到端的语音翻译，通过遮蔽频道块和 / 或时间步骤，减轻过拟合，对 LibriSpeech Audiobooks En->Fr 数据集 BLEU 提高了 2.2％，对 IWSLT TED-talks En-> 通用德语数据集提高了 1.2％，并证明这一方法在各种数据条件下都能带来显著的改进。

    Nov, 2019

  • SpecAugment：一种简单的自动语音识别数据增强方法

    通过在神经网络的特征输入（即滤波器组系数）中直接应用声音数据扩充方法 SpecAugment - 扭曲特征，掩盖一定数量的频道块以及时间步长，我们在端到端的语音识别任务上实现了最先进的性能，超过了所有以前的工作。

    Apr, 2019

  • 生理时间序列数据中基于混合的数据增强方法的实证研究

    本研究系统评估了混合型数据增强方法在生理时间序列分类中的性能，并发现混合型增强方法能够显著改善数据集的性能，而且不需要专业知识或大量参数调整。此外，还总结了混合型增强方法的独特属性，并强调在生理时间序列数据中使用混合型增强方法的潜在益处。

    Sep, 2023

  • SuperMix：混合数据增强的监督

    本文提出了一种监督式混合增强方法 SuperMix，使用牛顿迭代方法来提高效率，在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性，将混合图像纳入蒸馏目标可显著提高结果。

    Mar, 2020

  • 数据增强在时域中对比学习语音表示

    本文提出数据增强方法 WavAugment，对于改进基于 Contrastive Predictive Coding 算法的语音信号表示学习具有显著的增强效果，其中使用的时间域数据增强方法包括音高调整，加性噪声和混响。此外，时间域数据增强还在有限监督语音音素分类任务中得到了验证。

    Jul, 2020

  • TransformMix: 从数据中学习变换和混合策略

    数据增强通过合成更多的训练样本提高深度学习模型的泛化能力。TransformMix 是一种自动化方法，通过应用学习到的变换和混合扩增策略来创建具有正确和重要信息的混合图像，从而提高性能。

    Mar, 2024

  • 尴尬地简单的时间序列混合

    提出了两种新的数据增强方法 MixUp++ 和 LatentMixUp++，分别通过对原始时序数据和分类模型的潜在空间进行插值，实现半监督学习来扩充标记数据，从而在两个公共数据集上显著提高了 1% - 15% 的时间序列分类精度。

    Apr, 2023