Jul, 2022

基于分段的度量学习用于少样本生物声音事件检测

PDF
TL;DR本文提出了一种利用 segment-level few-shot learning 框架来在少量正负例的情况下检测生物声音事件。实验结果表明，使用负样本有利于提高模型的泛化能力，采用在验证集上的推导式推理可以更好地适应新颖的类别。该方法在 DCASE2022 挑战任务 5 中超越了基线，排名第 2，并已在 https URL 上开源。
few-shot learningbioacoustic event detectiontransductive inferencemetric learningdcase2022
发现论文，激发创造
  • 利用受监督对比学习进行生物声学少样本检测的预训练表示

    通过数据增强和监督对比学习框架，利用少量标注样本实现了对生物声学应用中的声音事件进行检测和分类的深度学习方法，并在 DCASE 挑战中获得了较好的性能。

    Sep, 2023

  • DCASE 2023 挑战中的少样本生物声事件检测

    DCASE 挑战赛的 Few-shot 生物声学事件检测任务中，限制训练数据集，于 2023 年共有 6 个团队参加，最高 F-score 达到 63％，方法多样。

    Jun, 2023

  • 规则化对比预训练用于少样本 生物声音检测

    通过提供开源代码，本研究旨在降低少样本生物声事件检测的门槛，通过提出一个简单而有效的框架来实现此任务，并通过规范化监督对比预训练来学习能够在新目标任务中进行良好迁移的特征，从而在无特征适应时取得 61.52%（0.48）的高 F 分数，在进一步对新目标任务进行特征适应时获得 68.19%（0.75）的 F 分数。

    Sep, 2023

  • 适应性少样本学习算法在稀有声音事件检测中的应用

    本研究提出了一种新颖的任务自适应模块，用于度量学习框架的少样本学习中，并在两个数据集上实现了比基线方法取得了更好的性能，特别是在转导传播网络上，例如在 ESC-50 的 5 路 1-shot 准确性上提高了 6.8％，在 noiseESC-50 上提高了 5.9％。

    May, 2022

  • 少样本声音事件检测的多任务帧级学习

    通过使用创新的多任务帧级音频事件检测框架和线性定时遮罩进行数据增强，提高模型对多样音频环境的适应性和鲁棒性，本研究在 2023 声音场景和事件检测与分类挑战赛的 few-shot 生物声学事件检测类别中实现了 63.8% 的 F 分数，获得第一名。

    Mar, 2024

  • 使用弱标签数据进行音频事件检测

    本文提出使用弱标签数据学习声音事件检测器的框架，并给出两个基于支持向量机和神经网络解决多实例学习的方法，有助于提高数据处理效率和实现完整音频记录描述。

    May, 2016

  • 弱标注数据中的声音事件检测和时间频率分割

    本文描述了如何使用弱标记的数据，提出了一种基于时频分割框架的声音事件检测和分离方法。文中提出的方法包括使用卷积神经网络处理分割映射和使用全局加权排名池化处理分类映射，从而可以在 F1 方面优于现有方法。

    Apr, 2018

  • 使用预训练音频表征学习检测新颖和细粒度声学序列

    该论文调查了用于少样本声音事件检测的预训练音频表示。他们开发了适合此任务的预训练嵌入并评估其在 AudioSet 上的通用性和在现实世界声学序列构造的任务上的效用。

    May, 2023

  • 弱监督可扩展音频内容分析

    本文介绍了一种利用异构弱标注数据进行音频事件检测的弱监督学习框架，同时提出了一种可扩展的多实例学习算法，并证明了其在音频事件检测中具有竞争力。

    Jun, 2016

  • 家庭环境下大规模弱标注半监督声音事件检测

    本文介绍 DCASE 2018 任务 4，重点评估了利用弱标签数据（没有时间边界）进行大规模声音事件检测的系统，挑战在于探索未标记的数据集与小的弱标签训练集结合以提高系统性能。数据来源于 YouTube 家庭环境视频片段，具有环境辅助生活等很多应用潜力。

    Jul, 2018