基于多任务学习的离群点感知内点建模与多尺度评分异常声音检测方法
声音
2023-09-15 v1 音频与语音处理
摘要
本文提出了一种通过多任务学习将离群点暴露与内点建模纳入统一框架的异常声音检测方法。基于离群点暴露的方法虽能高效提取特征，但鲁棒性不足；内点建模善于生成鲁棒特征，但特征有效性不高。近期提出的串行方法将这两种方法结合，但仍需对正常数据建模单独训练。为克服这些局限，我们采用多任务学习训练基于conformer的编码器以实现离群点感知内点建模。此外，我们的方法提供多尺度分数用于异常检测。在MIMII与DCASE 2020 task 2数据集上的实验结果表明，我们的方法优于最先进的单模型系统，并与排名靠前的多系统集成方法取得相当的结果。
引用
@article{arxiv.2309.07500,
title = {Outlier-aware Inlier Modeling and Multi-scale Scoring for Anomalous Sound Detection via Multitask Learning},
author = {Yucong Zhang and Hongbin Suo and Yulong Wan and Ming Li},
journal= {arXiv preprint arXiv:2309.07500},
year = {2023}
}
备注
accepted at INTERSPEECH 2023