面向鲁棒异常声检测的亚频段谱匹配与局部得分聚合
声音
2026-03-17 v1 人工智能
摘要
检测噪声环境中细微偏差是异常声检测（ASD）的核心任务。常见的无训练 ASD 流程会对帧级表示进行时间池化，以保留频段信息的特征向量，并使用单个最近邻匹配对异常进行评分。然而，这种全局匹配会通过两个作用导致正常得分方差膨胀。其一是当正常声表现出频段级变异性时，单个全局邻居迫使所有频段共享相同的参考，增加频段级不匹配。其二是余弦基于的匹配能量耦合，允许少数高能量频段在正常能量波动下主导得分计算，从而进一步增加方差。我们提出了BEAM，该方法将亚频段向量存储在记忆库中，按亚频段检索邻居，并统一聚合得分以减少正常得分的变异性并提高判别性。我们进一步引入了无参数自适应融合，以更好地处理亚频段响应中多样化的时序动态。实验在多个DCASE Task 2基准测试上显示，BEAM在无任务特定训练的情况下表现出强大的性能鲁棒性，对噪声和领域迁移具有鲁棒性，并在编码器微调时可实现互补收益。
引用
@article{arxiv.2603.13749,
title = {Sub-Band Spectral Matching with Localized Score Aggregation for Robust Anomalous Sound Detection},
author = {Phurich Saengthong and Takahiro Shinozaki},
journal= {arXiv preprint arXiv:2603.13749},
year = {2026}
}
备注
Manuscript under review