基于负选择策略的自适应学习用于少样本生物声学事件检测
声音
2024-09-24 v1 音频与语音处理
摘要
尽管原型网络（ProtoNet）在少样本生物事件检测中已显示出有效性，但仍存在两个持续性问题。首先，由于缺乏明确标注的负样本，构建具有代表性的负原型存在困难。其次，目标生物发声的持续时间因任务而异，这使得模型难以在所有任务中持续产生最优结果。为解决这些问题，我们提出了一种新颖的自适应学习框架，并采用自适应学习损失来指导分类器更新。此外，我们提出了一种负选择策略，为ProtoNet构建更具代表性的负原型。所有实验均在DCASE 2023 TASK5少样本生物声学事件检测数据集上进行。结果表明，我们提出的方法达到了0.703的F值，提升了12.84%。
引用
@article{arxiv.2409.15168,
title = {Adaptive Learning via a Negative Selection Strategy for Few-Shot Bioacoustic Event Detection},
author = {Yaxiong Chen and Xueping Zhang and Yunfei Zi and Shengwu Xiong},
journal= {arXiv preprint arXiv:2409.15168},
year = {2024}
}