面向少样本生物声学事件检测的段级度量学习
音频与语音处理
2022-07-19 v1 人工智能
声音
信号处理
摘要
少样本生物声学事件检测是一项在给定少量样本的情况下检测新声音出现时间的任务。先前的方法采用度量学习，利用不同声音类别（也称为正事件）的标注部分构建潜在空间。在本研究中，我们提出了一种段级少样本学习框架，在模型优化过程中同时利用正事件和负事件。负事件在数量上多于正事件，使用负事件进行训练可提升模型的泛化能力。此外，我们在训练时对验证集采用转导推理，以更好地适应新类别。我们针对所提方法在不同输入特征、训练数据和超参数设置下进行了消融实验。我们的最终系统在 DCASE 2022 挑战赛任务 5（DCASE2022-T5）验证集上取得了 62.73 的 F 值，大幅优于基线原型网络 34.02 的性能。使用所提方法，我们提交的系统在 DCASE2022-T5 中排名第二。本文代码已完全开源：https://github.com/haoheliu/DCASE_2022_Task_5。
引用
@article{arxiv.2207.07773,
title = {Segment-level Metric Learning for Few-shot Bioacoustic Event Detection},
author = {Haohe Liu and Xubo Liu and Xinhao Mei and Qiuqiang Kong and Wenwu Wang and Mark D. Plumbley},
journal= {arXiv preprint arXiv:2207.07773},
year = {2022}
}
备注
2nd place in the DCASE 2022 Challenge Task 5. Submitted to the DCASE 2022 workshop