训练声音事件分类器时处理噪声标签的模型无关方法
声音
2019-10-29 v1 机器学习
音频与语音处理
机器学习
摘要
标签噪声正成为声音事件分类中一个紧迫问题。这源于我们转向难以人工标注的更大数据集，而如果数据集从在线仓库自动收集，问题则更为严重——其标签通过对音频内容或元数据的自动启发式方法推断。尽管从噪声标签学习在计算机视觉中已是活跃研究领域，但在声音事件分类中鲜受关注。多数近期计算机视觉抗标签噪声方法相对复杂，需要复杂网络或额外数据资源。本文中，我们评估了训练声音事件分类器时处理噪声标签的简单高效模型无关方法，即标签平滑正则化、mixup 与噪声鲁棒损失函数。这些方法的主要优势在于可轻松集成至现有深度学习流程，无需网络修改或额外资源。我们报告了使用 FSDnoisy18k 数据集实验的结果。我们表明这些简单方法可有效缓解标签噪声影响，在嵌入两个不同 CNN 时提供高达 2.5% 的准确率提升，同时仅需极小干预与计算开销。
引用
@article{arxiv.1910.12004,
title = {Model-agnostic Approaches to Handling Noisy Labels When Training Sound Event Classifiers},
author = {Eduardo Fonseca and Frederic Font and Xavier Serra},
journal= {arXiv preprint arXiv:1910.12004},
year = {2019}
}
备注
WASPAA 2019