May, 2022

MIMII DG：适用于故障工业机器调查和检查的声音数据集，用于域泛化任务

PDF
TL;DR本文介绍了一个机器声音数据集，旨在评估领域泛化技术用于异常声音检测。该数据集名为 MIMII DG，包含五种机器类型和三个领域移位情境，并根据参数和噪声的不同值引入领域移位，试验结果表明这个数据集可以复现领域移位情境，是评估领域泛化技术的有用工具。
anomalous sound detectiondomain generalizationmachine sound datasetdomain shiftmimii dg
发现论文，激发创造
  • MIMII 数据集：用于故障工业机器调查和检查的声音数据集

    该研究介绍了一个名为 MIMII 的声音数据集，其中包括正常和异常操作下四种不同类型的工业机器声音，以协助机器学习和信号处理领域的自动化设备维护的发展。

    Sep, 2019

  • 领域变化下的工业异常检测：一个真实世界的数据集和遮盖多尺度重构

    本文提出了 AeBAD 工业异常检测数据集，探讨了当前最优算法在检测测试集中正常样本的领域移位问题，并提出了一种名为 MMR 的新方法，通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力。该方法在 AeBAD 数据集上表现出优秀的性能。

    Apr, 2023

  • DCASE 2023 挑战赛任务 2 的描述与讨论：针对机器状态监测的一次性无监督异常声音检测

    本文介绍了 DCASE 2023 Challenge Task 2 的任务描述：“适用于机器状态监测的无监督异声检测” 以及采用了仅有一些正常样本的新机器的第一次尝试该问题的解决方案。

    May, 2023

  • DCASE 2024 挑战任务 2 的描述和讨论：面向机器状态监测的一次性无监督异常声音检测

    2024 年 DCASE 挑战任务 2 的任务描述：机器条件监控中首次无监督异常声音检测（ASD），以领域泛化为特点的一次性问题，旨在实现对新型机器的快速部署，无需机器特定的超参数调整。

    Jun, 2024

  • 医学图像分析领域广义化综述

    医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个 GitHub 项目，收集了相关资源，链接为：https://this-URL-github-project

    Feb, 2024

  • DCASE2020 挑战赛任务 2: 无监督机器状态监测异声检测的描述与讨论

    本文介绍了 DCASE 2020 Challenge 任务 2 的任务描述和结果，并讨论了无监督检测机器异常声音方面的研究。通过介绍了大规模数据集、评价指标和基线系统来设计此挑战赛，共收到了 40 个团队的 117 份提交，基于该挑战的结果分析，本文进一步讨论和分析了两种新方法和存在的问题。

    Jun, 2020

  • 用数量化的领域转移度量和合成场景图像落地风格领域泛化

    在这篇论文中，我们介绍了一种新的领域综合范式，该方法通过提取领域不变特征来解决机器学习中的领域泛化问题，并引入了两个新的定量衡量标准 ICV 和 IDD 来描述风格领域的变化，同时提出了 SuperMarioDomains（SMD）这一新的合成多领域数据集，为 DG 方法 SMOS 的训练提供了预备模型，最终取得了在五个 DG 基准测试上的最新成果，对于抽象领域的性能大幅提升，并在逼真领域上保持相当水平或稍有改善。

    May, 2024

  • IEEE ICME 2024 大挑战赛：领域偏移下的半监督声学场景分类

    在 ICME 2024 大挑战中，我们引入了半监督领域迁移音景分类任务，鼓励参与者创新半监督学习技术，旨在开发更具鲁棒性的 ASC 模型。

    Feb, 2024

  • 推理时音频场景分类的领域信息控制

    本文在声学场景分类任务中使用可控门适配器 ConGater，以使模型对设备领域漂移具有选定的适应性并体现出最大的泛化能力。

    Jun, 2023

  • 机器学习模型中的域泛化在无线通信中的应用：概念，现状和开放问题

    该论文综述了近年来在无线通信领域使用机器学习和领域泛化方法的研究进展，重点讨论了如何使用不同数据源进行域泛化，以应对实际应用中源数据和目标数据之间的分布偏移所带来的挑战。

    Mar, 2023