UCIL：面向声事件检测的无监督类递增学习方法
音频与语音处理
2025-01-14 v3 声音
摘要
本文探索了声事件检测（SED）中的类递增学习（CIL），以提升对现实场景的适应性。CIL在计算机视觉等领域的成功经验启发了我们的SED定制方法，旨在应对多样且复杂的音频环境所特有的挑战。我们的方法采用独立的无监督学习框架，并引入蒸馏损失函数，以整合新的声类同时保持SED模型在递增任务中的一致性。我们进一步通过针对无标签数据的样本选择策略和平衡的 exemplar 更新机制来增强该框架，确保声表示多样且具代表性。在DCASE 2023 Task 4数据集上评估了各种持续学习方法后，我们发现本研究为针对可新增声类的实际SED系统提供了每种方法的适用性见解。这些发现也勾勒出CIL在动态音频环境中的未来方向。
引用
@article{arxiv.2407.03657,
title = {UCIL: An Unsupervised Class Incremental Learning Approach for Sound Event Detection},
author = {Yang Xiao and Rohan Kumar Das},
journal= {arXiv preprint arXiv:2407.03657},
year = {2025}
}
备注
Accepted by ICASSP 2025