PhyAug：信息物理系统中面向深度感知模型迁移的物理导向数据增强
声音
2021-04-20 v2 人机交互
音频与语音处理
摘要
以深度学习设计的感知系统中，运行期域偏移相对于训练期域较为常见。该偏移可由传感器特性变化及/或设计期模型与实际被感知物理过程模型间的不一致引起。为解决这些问题，现有迁移学习技术需要大量目标域数据，因而带来较高的部署后开销。本文提出利用支配域偏移的第一性原理以降低对目标域数据的需求。具体而言，我们提出的方法PhyAug使用以少量有标签或无标签的源/目标域数据对拟合的第一性原理，将现有源域训练数据转换为增强数据以更新深度神经网络。在关键词 spotting 与基于DeepSpeech2的自动语音识别两项案例研究中，利用从目标麦克风收集的5秒无标签数据，PhyAug将因麦克风特性变化导致的识别准确率损失恢复了37%至72%。在基于TDoA指纹的震源定位案例研究中，通过利用不均匀介质中信号传播的第一性原理，PhyAug仅需朴素指纹方法所需有标签TDoA测量的3%至8%即可达到同等定位精度。
引用
@article{arxiv.2104.01160,
title = {PhyAug: Physics-Directed Data Augmentation for Deep Sensing Model Transfer in Cyber-Physical Systems},
author = {Wenjie Luo and Zhenyu Yan and Qun Song and Rui Tan},
journal= {arXiv preprint arXiv:2104.01160},
year = {2021}
}