BriefGPT - AI 论文速递
·
噪声角度添加混合损失与混合检测的声音异常检测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文介绍了一种无监督异常声音检测（ASD）的训练技术，通过表示学习和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。同时，提出了一种提取重要时间区域特征的结构。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％。
🎯
关键要点
- 无监督异常声音检测（ASD）旨在通过学习正常操作声音的特征来识别异常声音。
- 近期研究集中于自监督任务，利用正常数据的分类。
- 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。
- 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。
- 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％。
➡️
