利用分布外数据学习进行音频分类
声音
2020-02-13 v1 机器学习
音频与语音处理
摘要
在监督式机器学习中，训练数据被正确标注的假设并非总成立。本文研究分类任务中一类标注错误：数据集被分布外（OOD）实例污染，即不属于任何目标类但被标为目标类的数据。我们表明，检测并重新标注某些 OOD 实例，而非丢弃它们，对学习有正向作用。所提方法使用一个在已知为分布内数据上训练的辅助分类器进行检测与重标注。结果显示所需数据量很小。实验在 OOD 实例非常普遍的 FSDnoisy18k 音频数据集上进行。所提方法显著提升了卷积神经网络的性能。与其他噪声鲁棒技术的比较同样令人鼓舞。
引用
@article{arxiv.2002.04683,
title = {Learning with Out-of-Distribution Data for Audio Classification},
author = {Turab Iqbal and Yin Cao and Qiuqiang Kong and Mark D. Plumbley and Wenwu Wang},
journal= {arXiv preprint arXiv:2002.04683},
year = {2020}
}
备注
Paper accepted for 45th International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2020)