在域迁移下解耦层次特征用于异常声检测
声音
2025-01-06 v1 音频与语音处理
摘要
异常声检测（ASD）在域迁移情境下面临挑战，即目标域中机器声音因运行条件不同而与源域显著不同。现有方法通常采用域分类器来提高检测性能，但往往忽视了域无关信息的影响。这种疏忽可能阻碍模型清晰区分域，从而削弱其区分正常与异常声音的能力。本文提出一种基于梯度反转的层次特征解耦（GRHD）方法，以解决上述挑战。GRHD 使用梯度反转将域相关特征与域无关特征分离，从而获得更稳健的特征表示。此外，该方法采用层次结构，通过利用可用的元数据（如章节 ID 和机器声属性）引导学习细粒度、域特定特征。在 DCASE 2022 挑战任务 2 数据集上的实验结果表明，所提方法显著提高了在域迁移下的 ASD 性能。
引用
@article{arxiv.2501.01604,
title = {Disentangling Hierarchical Features for Anomalous Sound Detection Under Domain Shift},
author = {Jian Guan and Jiantong Tian and Qiaoxi Zhu and Feiyang Xiao and Hejing Zhang and Xubo Liu},
journal= {arXiv preprint arXiv:2501.01604},
year = {2025}
}
备注
Accepted by ICASSP 2025