AFT：一种面向环境声音分类的无样本类增量学习方法
音频与语音处理
2025-09-22 v1 声音
摘要
由于声音携带丰富信息，环境声音分类（ESC）对于诸如稀有野生动物检测等众多应用至关重要。然而，我们的世界不断变化，要求ESC模型定期适应新声。其主要挑战在于灾难性遗忘，即当学习新样本时，模型会丢失对旧声的识别能力。许多方法通过重播-based持续学习来解决此问题，但在数据隐私 concerns 等场景下可能难以实施。无样本方法常用于此，但会扭曲旧特征，导致性能下降。为克服这些限制，我们提出了声学特征转换（Acoustic Feature Transformation, AFT）技术，通过对齐旧类别的时序特征至新空间，包括 selectively压缩特征空间。AFT在不保留过去数据的情况下缓解了旧知识的遗忘。我们在两个数据集上进行了实验，结果显示相较于基线模型，准确率提升了3.7%至3.9%。
引用
@article{arxiv.2509.15523,
title = {AFT: An Exemplar-Free Class Incremental Learning Method for Environmental Sound Classification},
author = {Xinyi Chen and Xi Chen and Zhenyu Weng and Yang Xiao},
journal= {arXiv preprint arXiv:2509.15523},
year = {2025}
}
备注
Submitted to ICASSP 2026