面向隐私保护的声源定位分析类增量学习
声音
2024-09-12 v1 音频与语音处理
摘要
声源定位（SSL）是监控和机器人等应用的关键技术。虽然传统的信号处理（SP）基于SSL的方法在特定信号和噪声假设下提供解析解，但近期的深度学习（DL）方法显著超越了它们。然而，这些方法的成功依赖于大量训练数据和巨大的计算资源。此外，它们常依赖大规模带注释的空间数据，可能在适应不断演变的声音类别时感到挑战。为缓解这些挑战，我们提出了一种新颖的类增量学习（CIL）方法，称为SSL-CIL，通过闭形式解析解逐步更新DL-based SSL模型，以避免因灾难性遗忘导致的严重精度下降。特别地，由于学习过程不回溯任何历史数据（无样本），因此实现了数据隐私保护，更适用于智能家居场景。公开的SSLR数据集中的实证结果表明，我们的方案优于其他竞争方法，实现了90.9%的位置精度。
引用
@article{arxiv.2409.07224,
title = {Analytic Class Incremental Learning for Sound Source Localization with Privacy Protection},
author = {Xinyuan Qian and Xianghu Yue and Jiadong Wang and Huiping Zhuang and Haizhou Li},
journal= {arXiv preprint arXiv:2409.07224},
year = {2024}
}