基于关系网络的少样本学习声源距离估计方法
声音
2024-10-08 v4 音频与语音处理
摘要
本文中，我们研究了在声源距离估计（SSDE）问题中，少样本学习（具体而言为元学习赋能的少样本关系网络）相对于监督深度学习和传统机器学习方法的性能。在以往的深层监督SSDE研究中，训练数据（来自已知环境）与测试数据（来自未知环境）之间的不匹配常导致较低的准确率。通过在足量数据上开展对比实验，我们表明少样本关系网络优于其他竞争对手，包括极端梯度提升（XGBoost）、支持向量机（SVM）、卷积神经网络（CNN）和多层感知机（MLP）。因此，只需用在特定未知环境中录制的少量标注音频样本对配备麦克风的系统进行校准，即可调整并使我们的分类器泛化到可能的输入数据，从而获得更高的准确率。
引用
@article{arxiv.2109.10561,
title = {A Few-Shot Learning Approach for Sound Source Distance Estimation Using Relation Networks},
author = {Amirreza Sobhdel and Roozbeh Razavi-Far and Vasile Palade},
journal= {arXiv preprint arXiv:2109.10561},
year = {2024}
}