LOCUS：具有信道不确定性和零星能量的定位
机器学习
2025-07-21 v3
摘要
精确的声源定位（SSL），例如波达方向（DoA）估计，依赖于一致的多通道数据。然而，无电池系统常常因能量采集的随机性而遭受数据缺失，从而降低定位性能。我们提出了 LOCUS，一个在此类设置下恢复损坏特征的深度学习框架。LOCUS 集成了三个模块：（1）信息加权聚焦（InFo）用于识别损坏区域，（2）潜在特征合成器（LaFS）用于重建缺失特征，以及（3）引导替换（GRep）用于在不改变有效输入的情况下恢复数据。LOCUS 在缺失通道条件下显著提高了 DoA 精度，在 DCASE 和 LargeSet 数据集上实现了高达 36.91% 的误差降低，并在实际部署中获得了 25.87-59.46% 的增益。我们发布了一个 50 小时的多通道数据集，以支持未来在能量约束下的定位研究。我们的代码和数据可在以下链接获取：https://bashlab.github.io/locus_project/
引用
@article{arxiv.2302.09409,
title = {LOCUS: LOcalization with Channel Uncertainty and Sporadic Energy},
author = {Subrata Biswas and Mohammad Nur Hossain Khan and Violet Colwell and Jack Adiletta and Bashima Islam},
journal= {arXiv preprint arXiv:2302.09409},
year = {2025}
}