频段对基于深度学习模型的机器声学异常检测的影响
音频与语音处理
2024-03-04 v1 声音
摘要
在本文中，我们提出了一种基于深度学习的模型，用于机器声学异常检测，即通过分析机器声音来检测异常机器的任务。通过广泛的实验，我们表明伪音频、音频片段、数据增强、Mahalanobis 距离和窄频段等多种技术（主要关注特征工程）对于提升系统性能是有效的。在评估技术中，窄频段呈现出显著影响。事实上，我们提出的专注于窄频段的模型，在 DCASE 2022 Task 2 Development set 基准数据集上优于 DCASE 基线。本文指出的窄频段的重要作用启发了机器声学异常检测任务的研究社区，进一步研究并提出专注于频段的新型网络架构。
引用
@article{arxiv.2403.00379,
title = {The Impact of Frequency Bands on Acoustic Anomaly Detection of Machines using Deep Learning Based Model},
author = {Tin Nguyen and Lam Pham and Phat Lam and Dat Ngo and Hieu Tang and Alexander Schindler},
journal= {arXiv preprint arXiv:2403.00379},
year = {2024}
}