基于配对样本的对抗域适应用于不同录音设备的声学场景分类
声音
2023-09-08 v1 机器学习
音频与语音处理
摘要
在分类任务中，当数据收集自不同域时分类精度会下降。为解决此问题，本文研究几种用于域适应（DA）的对抗模型及其对声学场景分类任务的影响。所研究的模型包括若干类型的生成对抗网络（GAN），具有不同损失函数，以及所谓的循环 GAN（cycle GAN），其由两个互联的 GAN 模型组成。实验在 DCASE20 挑战任务 1A 数据集上执行，其中我们利用不同设备录制的配对数据样本，即源域和目标域录音。实验结果表明，最佳域适应性能由循环 GAN 获得，其对目标域设备的准确率相对提升高达 66%，而在源域上准确率仅相对下降 6%。此外，通过利用配对数据样本，我们能够在降低模型训练计算成本的同时，相较使用更大型非配对数据集训练的模型提升整体准确率。
引用
@article{arxiv.2110.09598,
title = {Adversarial Domain Adaptation with Paired Examples for Acoustic Scene Classification on Different Recording Devices},
author = {Stanisław Kacprzak and Konrad Kowalczyk},
journal= {arXiv preprint arXiv:2110.09598},
year = {2023}
}
备注
Accepted for publication in the Proceedings of the 29th European Signal Processing Conference (EUSIPCO), Dublin, Ireland, 2021