基于噪声监督的对比学习与特征扰动用于异常声检测
声音
2025-09-19 v2 计算与语言
摘要
无监督异常声检测旨在仅使用正常音频数据训练模型，以检测未知异常声。尽管自监督方法取得进展，但当处理来自不同机器的同类样本时仍存在频繁误报问题。本文引入一种新型训练技术，即单阶段监督对比学习(OS-SCL)，通过在嵌入空间中扰动特征并采用单阶段噪声监督对比学习方式显著缓解此问题。在DCASE 2020挑战任务2上，该方法仅使用Log-Mel特征即可实现94.64% AUC、88.42% pAUC和89.24% mAUC。此外，本文提出一种基于原始音频的时频特征TFgram。该特征有效捕获异常声检测的关键信息，最终实现95.71% AUC、90.23% pAUC和91.23% mAUC。源代码可在：\underline{www.github.com/huangswt/OS-SCL}获取。
引用
@article{arxiv.2509.13853,
title = {Noise Supervised Contrastive Learning and Feature-Perturbed for Anomalous Sound Detection},
author = {Shun Huang and Zhihua Fang and Liang He},
journal= {arXiv preprint arXiv:2509.13853},
year = {2025}
}
备注
Accepted ICASSP 2025