用少量数据训练神经音频分类器
声音
2018-11-07 v3 人工智能
机器学习
音频与语音处理
摘要
我们研究能够改进在小规模标注集合上训练神经网络音频分类器的监督学习策略。具体地，我们研究(i)对解空间的朴素正则化、(ii)原型网络、(iii)迁移学习，或(iv)它们的组合，是否能够促使深度学习模型更好地利用少量的训练样本。为此，我们在声学事件识别与声学场景分类任务上评估(i-iv)，每类考虑从1到100个标注样本。结果表明，在此类场景中迁移学习是一种强有力的策略，但当没有外部或验证数据可用时，原型网络展现出有前景的结果。
引用
@article{arxiv.1810.10274,
title = {Training neural audio classifiers with few data},
author = {Jordi Pons and Joan Serrà and Xavier Serra},
journal= {arXiv preprint arXiv:1810.10274},
year = {2018}
}
备注
Code: https://github.com/jordipons/neural-classifiers-with-few-audio/