Noisy-ArcMix：加性噪声角度间隔损失与Mixup相结合的异常声音检测
声音
2023-10-11 v1 人工智能
音频与语音处理
摘要
无监督异常声音检测（ASD）旨在通过正常运转动声音的特征学习并感知其偏差来识别异常声音。近期方法聚焦于利用正常数据分类的自监督任务，先进模型已表明通过表征学习获得紧凑的类内分布与良好分离的类间分布来为异常数据确保表征空间十分重要。然而，我们指出传统方法常无法保证充分的类内紧凑性，且样本与其对应中心间存在角度差异。本文提出一种训练技术，旨在确保类内紧凑性并增大正常与异常样本间的角度间隔。此外，我们给出一种提取重要时间区域特征的架构，使模型能够学习应强调或抑制哪些时间帧。实验结果表明，所提方法在 DCASE 2020 Challenge Task2 数据集上相较最先进方法分别取得 AUC、pAUC 和 mAUC 上 0.90%、0.83% 和 2.16% 的提升，达到最佳性能。
引用
@article{arxiv.2310.06364,
title = {Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection},
author = {Soonhyeon Choi and Jung-Woo Choi},
journal= {arXiv preprint arXiv:2310.06364},
year = {2023}
}
备注
Submitted to ICASSP 2024