用于改进小样本音频分类的原型对比学习
声音
2025-10-28 v1 机器学习
摘要
小样本学习已成为一种用有限标注数据训练模型的强大范式，可解决大规模标注不切实际场景下的挑战。尽管在图像领域已有广泛研究，但音频分类中的小样本学习仍相对缺乏探索。在本工作中，我们研究了将监督对比损失整合到音频分类的原型小样本训练中的效果。具体而言，我们证明与标准对比损失相比，角度损失进一步提高了性能。我们的方法利用 SpecAugment，随后通过自注意力机制，将增强输入版本的多样化信息封装到一个统一的嵌入中。我们在 MetaAudio 上评估了我们的方法，这是一个基准测试，包含五个具有预定义划分、标准化预处理和一套全面的小样本学习模型以供比较的数据集。所提出的方法在 5-way 5-shot 设置下实现了 SOTA 性能。
引用
@article{arxiv.2509.10074,
title = {Prototypical Contrastive Learning For Improved Few-Shot Audio Classification},
author = {Christos Sgouropoulos and Christos Nikou and Stefanos Vlachos and Vasileios Theiou and Christos Foukanelis and Theodoros Giannakopoulos},
journal= {arXiv preprint arXiv:2509.10074},
year = {2025}
}
备注
Accepted and Presented at IEEE International Workshop on Machine Learning for Signal Processing, Aug.\ 31-- Sep.\ 3, 2025, Istanbul, Turkey , 6 pages, 2 figures, 1 table