May, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 噪声角度添加混合损失与混合检测的声音异常检测

    通过学习正常操作声音的特征并感知其偏差，无监督异常声音检测（ASD）旨在识别异常声音。近期研究集中于自监督任务，利用正常数据的分类，而先进模型的研究表明，通过表示学习及产生紧凑的类内和互不重叠的类间分布，保证异常数据的表示空间是重要的。然而，传统方法通常无法确保足够的类内紧凑性，并存在样本与其相应中心之间的角差异。本文提出了一种训练技术，旨在确保类内紧凑性并增加正常和异常样本之间的角间隔。此外，我们提出了一种提取重要时间区域特征的结构，使模型能够学习哪些时间帧应该被强调或抑制。实验结果表明，该方法在 DCASE 2020 Challenge Task2 数据集上相对于最先进的方法，AUC、pAUC 和 mAUC 分别提高了 0.90％、0.83％和 2.16％。

    Oct, 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

  • DCASE 挑战赛 2016 上的实验：现实录音中的声音场景分类和声音事件检测

    本文介绍了我们在实战录音的声音场景分类任务和声音事件检测任务中采用的低级和高级特征、分类器优化以及特定的其他方法，我们的表现优于 DCASE 的基线，对于任务 1，我们的总体准确性为 78.9％，超过基线 72.6％；对于任务 3，我们的基于段的错误率为 0.76，超过基线 0.91。

    Jul, 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

  • 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

    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。

    May, 2022

  • 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

  • 用于异常声音检测的自监督学习

    使用自我监督学习方法中的特征交换（FeatEx）提出了一种简单而有效的异常声音检测系统，其性能在 DCASE2023 ASD 数据集上明显优于其他已发表结果。

    Dec, 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