全局长期空间中基于区域-局部对抗学习单类分类器的异常声音检测
声音
2022-08-16 v1 音频与语音处理
摘要
异常声音检测（ASD）是复杂工业系统中机械设备监测与维护的最重要任务之一。在实际应用中，精确识别工作机械系统的异常状态至关重要，可进一步辅助故障排查。本文提出一种多模式对抗学习单类分类框架，可利用对抗模型的生成器与判别器进行高效的 ASD。其核心思想是通过两种不同模式的自动编码生成器学习重构声学数据的正常模式，成功将判别器的基本作用从辨别真实与伪造数据扩展至区分区域与局部模式重构。此外，我们提出一种用于频域空间中长期交互的全局滤波层，直接从原始数据学习而不引入任何人工先验。在来自不同工业领域的四个真实数据集（由 SAMSON AG 提供的三个空化数据集，以及一个已有的公开数据集）上进行的异常检测广泛实验显示出优越结果，并优于近期最先进的 ASD 方法。
引用
@article{arxiv.2202.13245,
title = {Regional-Local Adversarially Learned One-Class Classifier Anomalous Sound Detection in Global Long-Term Space},
author = {Yu Sha and Johannes Faber and Shuiping Gou and Bo Liu and Wei Li and Stefan Schramm and Horst Stoecker and Thomas Steckenreiter and Domagoj Vnucec and Nadine Wetzstein and Andreas Widl and Kai Zhou},
journal= {arXiv preprint arXiv:2202.13245},
year = {2022}
}