Snore-GANs：利用合成数据改进自动鼾声分类
机器学习
2019-04-01 v1 声音
音频与语音处理
摘要
严重阻碍自动鼾声分类（ASSC）发展的前沿问题之一在于缺乏足够的监督训练数据。为应对此问题，我们提出一种基于半监督条件生成对抗网络（scGANs）的新型数据增强方法，旨在自动学习从随机噪声空间到原始数据分布的映射策略。所提方法能够很好地合成“真实”的高维数据，且无需额外的标注过程。为处理GANs的模式崩溃问题，我们进一步引入集成策略以增强生成数据的多样性。在广泛使用的Munich-Passau鼾声语料库上进行的系统实验表明，基于scGANs的系统可显著优于其他经典数据增强系统，并且与近期报道的其他ASSC系统也具有竞争力。
引用
@article{arxiv.1903.12422,
title = {Snore-GANs: Improving Automatic Snore Sound Classification with Synthesized Data},
author = {Zixing Zhang and Jing Han and Kun Qian and Christoph Janott and Yanan Guo and Bjoern Schuller},
journal= {arXiv preprint arXiv:1903.12422},
year = {2019}
}
备注
accepted by IEEE JBHI