基于二分类模型与类质心的异常声音检测
声音
2021-06-14 v1 机器学习
音频与语音处理
摘要
用于检测未知异常声音的异常声音检测系统通常只能使用正常声音数据来构建。此外，期望通过有效利用少量异常声音数据来改进系统，这些数据将通过系统运行积累。作为满足这些需求的方法之一，我们关注一种二分类模型，其不仅使用正常数据，还使用其他域的离群数据作为伪异常声音数据来开发，并可利用异常数据轻松更新。本文中，我们基于度量学习实现了一个新的损失函数，用于让二分类模型学习特征空间中与各该类质心的距离关系。二分类与度量学习的多任务学习使得构建类内方差最小、类间方差最大且保持正常类与异常类线性可分的特徵空间成为可能。我们还研究了额外使用异常声音数据以进一步改进二分类模型的有效性。我们的结果表明，使用二分类和度量学习考虑特征空间中与各该类质心距离的多任务学习是有效的，并且在训练期间即使使用少量异常数据也能显著提升性能。
引用
@article{arxiv.2106.06151,
title = {Anomalous Sound Detection Using a Binary Classification Model and Class Centroids},
author = {Ibuki Kuroyanagi and Tomoki Hayashi and Kazuya Takeda and Tomoki Toda},
journal= {arXiv preprint arXiv:2106.06151},
year = {2021}
}
备注
6 pages, 2 figures, 2 tables, EUSIPCO2021