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

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

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。

Jul, 2022

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

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

近年来，自监督学习因其能够从无标签数据中学习出鲁棒特征表示而取得了优异结果。本研究评估了大规模自监督模型在少样本音频分类中的性能，并探讨了模型的少样本学习能力与其他下游任务基准的关系，发现在某些少样本问题（如 SpeechCommandsv2）中具有最先进的性能，并且语音为基础的少样本问题与各种下游音频任务之间存在强相关性。

Feb, 2024

本文介绍了通过采用基于卷积神经网络和循环神经网络的基本框架以及学习可控门激活函数、基于关注机制的方案和新的批次平衡策略等方法来解决 Acoustic Scenes 和 Weakly-Supervised Learning 问题。在该方法下，我们的音频标记和声音事件检测分别取得了 61% 和 0.73 的 F-Value 和 error rate。

Sep, 2017

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

本文使用对比学习方法，针对每个机器 ID 而不是每个音频样本优化音频表示，使用自我监督 ID 分类器微调学习模型，增强了同一 ID 音频特征之间的关系，在 DCASE 2020 Challenge Task2 数据集上的实验表明，该方法在整体异常检测性能和稳定性方面胜过了使用对比学习或自我监督分类的最先进方法。

Apr, 2023

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