EnvId：面向法庭取证小样本未知环境识别的度量学习方法
声音
2025-02-13 v2 机器学习
音频与语音处理
摘要
音频录音可为刑事调查提供重要证据。其中一个应用是将录制音频与其录制地点进行法庭关联。例如，一条语音消息可能是缩小犯罪候选地点范围的唯一调查线索。迄今为止，已有若干工作提供了在相对干净的录音条件下进行闭集录制环境识别的监督分类工具。然而，在法庭调查中，候选地点因案而异。因此，若不为每个案件及其候选集重新训练一个基于足够训练样本的分类器，监督学习技术便无法适用。此外，法庭工具必须处理来自不可控来源、具有可变属性和质量的音频材料。因此，在本工作中，我们尝试向实用的法庭应用场景迈出重要一步。我们提出了一个名为 EnvId（环境识别的简称）的表示学习框架。EnvId 通过将任务建模为小样本分类问题，避免了针对具体案件的重新训练。我们证明 EnvId 能够处理具有法庭挑战性的材料。即使在未见过的信号退化、分布外混响特性或录音位置不匹配的情况下，它也能提供高质量的预测。
引用
@article{arxiv.2405.02119,
title = {EnvId: A Metric Learning Approach for Forensic Few-Shot Identification of Unseen Environments},
author = {Denise Moussa and Germans Hirsch and Christian Riess},
journal= {arXiv preprint arXiv:2405.02119},
year = {2025}
}
备注
Accepted at TIFS