基于移位一致性平均教师训练与对抗域自适应的家庭声音事件检测
声音
2022-08-18 v1 音频与语音处理
摘要
由于大量未标记数据的可用性以及生成合成强标记数据相对容易，半监督学习与域自适应技术在家庭声音事件检测领域受到越来越多的关注。在之前的工作中，设计了若干半监督学习策略以提升平均教师模型的性能。具体而言，这些策略包括移位一致性训练(SCT)、插值一致性训练(ICT)和伪标签。然而，当我们试图补偿合成数据与真实数据之间的域差距时，对抗域自适应(ADA)似乎并未进一步提升事件检测准确率。在本研究中，我们通过经验发现ICT在t-SNE图中倾向于拉远合成数据与真实数据的分布。因此，我们弃用ICT，而转而应用SCT来训练学生与教师模型。借助这些修改，系统成功与ADA网络集成，并在DCASE 2020任务4数据集上取得47.2%的F1分数，较先前工作所报告的结果高出2.1%。
引用
@article{arxiv.2208.08131,
title = {Domestic sound event detection by shift consistency mean-teacher training and adversarial domain adaptation},
author = {Fang-Ching Chen and Kuan-Dar Chen and Yi-Wen Liu},
journal= {arXiv preprint arXiv:2208.08131},
year = {2022}
}