Oct, 2023

噪声角度添加混合损失与混合检测的声音异常检测

PDF
TL;DR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％。
unsupervised anomalous sound detectionself-supervised taskrepresentation learningintra-class compactnesstemporal regions
发现论文，激发创造
  • 为什么角边缘损失对半监督异常声音检测很有效？

    通过实验证明，最小化角度边缘损失还可以最小化紧凑性损失，从而避免学习平凡的解决方案，同时还能教会模型适用于在嘈杂条件下检测异常声音的表示方法。

    Sep, 2023

  • 嘈杂环境中的强化实时发言人识别

    该论文解决了嘈杂环境中主动说话人检测（ASD）问题，并提出了一个稳健的主动说话人检测（rASD）问题。通过利用视听语音分离技术作为指导来学习无噪音的音频特征，我们提出了一个新颖的框架，该框架同时优化主动说话人检测任务和音频质量问题，改善了传统两阶段框架中的残余噪音和音频质量降低问题，并提高了噪声环境中的 ASD 性能。该框架具有广泛适用性，可应用于不同的 ASD 方法以提高其稳健性。

    Mar, 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

  • 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

  • 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

  • 使用基于对比学习预训练的机器 ID 声音表示进行异常声音检测

    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

  • 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

  • 端到端的活跃说话人检测

    该研究提出了一种端到端可训练的网络，结合图神经网络和弱监督策略，用于解决活动说话者检测问题，取得了最优性能。

    Mar, 2022

  • NNG-Mix: 利用伪异常生成改进半监督异常检测

    提出了一种名为最近邻高斯混合 (NNG-Mix) 的新算法，通过整合有标签和无标签数据来生成伪异常样本，用于改进半监督和监督异常检测算法，与常用的数据增强方法相比，在 57 个数据集上取得显著的性能提升，对于 ADBench 中的经典、计算机视觉和自然语言处理数据集，最多可提高 16.4%、8.8% 和 8.0%。

    Nov, 2023

  • ArcFace：深度人脸识别的加性角度间隔损失

    本文介绍了一种新的面部识别方法，使用 ArcFace 和子中心 ArcFace 方法来提高分类效果并且减少噪声影响，并且可以通过训练好的模型生成身份保持的面部图像。

    Jan, 2018