面向全位置声学场景的在线领域递增学习方法

本文提出了一种用于从不同位置序列中进行声学场景分类的在线领域递增学习方法。仅对深度学习模型进行不同位置序列的训练会导致对先前学习知识的遗忘。本文仅通过少量样本纠正 Batch Normalization 层的统计数据，以学习来自新位置的声学场景，无需进行大量训练。在 11 个不同位置的声学场景上进行实验，其中初始任务包含来自 6 个位置的声学场景，其余 5 个递增任务分别代表来自不同位置的声学场景。所提出的方法优于基于微调的方法，在学习完序列中的最后一个任务后，平均准确率达到 48.8%，且无需忘记先前学习位置的声学场景。