基于流的异常声音检测自监督密度估计
音频与语音处理
2021-03-17 v1 机器学习
声音
机器学习
摘要
为开发机器声音监控系统,提出了一种异常声音检测方法。使用归一化流(Normalizing Flows)的精确似然估计是一种有前景的无监督异常检测技术,但由于似然受数据平滑性影响,其在分布外检测中可能失效。为提高检测性能,我们将模型训练为对目标机器声音赋予更高似然,对同一机器类型下其他机器的声音赋予更低似然。我们证明这使得模型能够结合一种基于自监督分类的方法。使用 DCASE 2020 Challenge Task2 数据集进行的实验表明,当使用掩码自回归流(Masked Autoregressive Flow, MAF)时,所提方法平均将 AUC 提高 4.6%,使用 Glow 时提高 5.8%,相较先前方法有显著改进。
引用
@article{arxiv.2103.08801,
title = {Flow-based Self-supervised Density Estimation for Anomalous Sound Detection},
author = {Kota Dohi and Takashi Endo and Harsh Purohit and Ryo Tanabe and Yohei Kawaguchi},
journal= {arXiv preprint arXiv:2103.08801},
year = {2021}
}
备注
5 pages, 1 figure, accepted in ICASSP 2021