基于教师引导的混淆类指令的数据高效声学场景分类
声音
2024-09-19 v1 机器学习
音频与语音处理
摘要
本技术报告描述了 SNTL-NTU 团队在 DCASE 2024 挑战任务 1（数据高效低复杂度声学场景分类）中的提交方案。我们引入了三个系统以应对不同规模的训练数据。对于小规模训练数据，我们通过减少基础通道数来降低提供基线模型的复杂度。我们采用 mixup 数据增强以增加训练样本的多样性。对于更大的训练数据，我们使用 FocusNet 为ensemble中多个 Patchout faSt Spectrogram Transformer (PaSST) 模型和基线模型（训练于 44.1 kHz 原始采样率）提供混淆类信息。我们使用知识蒸馏将 ensemble 模型蒸馏到基线学生模型。使用 TAU Urban Acoustic Scene 2022 Mobile 开发数据集训练后，三个系统在 split (100, 50, 25, 10, 5)% 上的平均测试准确率分别为 (62.21, 59.82, 56.81, 53.03, 47.97)%。
引用
@article{arxiv.2409.11964,
title = {Data Efficient Acoustic Scene Classification using Teacher-Informed Confusing Class Instruction},
author = {Jin Jie Sean Yeo and Ee-Leng Tan and Jisheng Bai and Santi Peksi and Woon-Seng Gan},
journal= {arXiv preprint arXiv:2409.11964},
year = {2024}
}
备注
5 pages, 3 figures