声音时长与非活跃帧对声音事件检测性能的影响
声音
2021-02-04 v1 音频与语音处理
摘要
在许多声音事件检测（SED）方法中，分段的时间帧被视为模型训练的一个数据样本。声音事件的时长高度依赖于声音事件类别，例如“风扇”声音事件时长较长，而“鼠标点击”声音事件则是瞬时的。因此，声音事件类别间的时长差异导致 SED 中严重的数据不平衡。此外，多数声音事件倾向于偶发出现；因此，声音事件的非活跃时间帧远多于活跃帧。这也造成了活跃帧与非活跃帧间的严重数据不平衡。本文通过引入四种损失函数，如简单重加权损失、逆频率损失、非对称焦点损失和焦点批量 Tversky 损失，研究声音时长与非活跃帧对 SED 性能的影响。进而，我们就如何应对该不平衡问题提供见解。
引用
@article{arxiv.2102.01927,
title = {Impact of Sound Duration and Inactive Frames on Sound Event Detection Performance},
author = {Keisuke Imoto and Sakiko Mishima and Yumi Arai and Reishi Kondo},
journal= {arXiv preprint arXiv:2102.01927},
year = {2021}
}
备注
Accepted to ICASSP 2021. arXiv admin note: text overlap with arXiv:2006.15253