域偏移下基于层次化元数据信息约束自监督学习的异常声音检测
音频与语音处理
2023-12-19 v2 声音
摘要
自监督学习方法在域偏移下的异常声音检测（ASD）中取得了良好性能，其中通过引入段落 ID 在特征学习中考虑了域偏移类型。然而，各段落下伴随音频文件的属性（如机器运行条件和噪声类型）虽对刻画域偏移也至关重要，却未被考虑。本文提出一种层次化元数据信息约束自监督（HMIC）ASD 方法，构建段落 ID 与属性间的层次关系，并用作约束以获得更精细的特征表示。此外，我们提出一种基于属性组中心（AGC）的方法，用于在域偏移条件下计算异常分数。实验表明，在 DCASE 2022 挑战赛任务 2 中，其性能优于 SOTA 自监督方法。
引用
@article{arxiv.2309.07498,
title = {Hierarchical Metadata Information Constrained Self-Supervised Learning for Anomalous Sound Detection Under Domain Shift},
author = {Haiyan Lan and Qiaoxi Zhu and Jian Guan and Yuming Wei and Wenwu Wang},
journal= {arXiv preprint arXiv:2309.07498},
year = {2023}
}
备注
To appear at ICASSP 2024