用于声学场景分类的无监督对抗域适应
音频与语音处理
2018-08-20 v1 机器学习
声音
摘要
声学场景分类任务中的一个普遍问题是训练与测试数据之间的条件失配，这会显著降低所开发方法在分类准确率上的表现。作为一种对策，我们提出了首个用于声学场景分类的无监督对抗域适应方法。我们采用在一个条件集合数据上预训练的模型，并利用来自其他条件集合的数据对该模型进行适应，使其输出无法用于分类输入数据所属的条件集合。我们使用来自 DCASE 2018 挑战赛任务 1 子任务 B 的公开可用数据集，其包含来自失配录音设备的数据。我们考虑如下场景：来自某一设备的数据带有标注，而其余设备的数据无标注。我们的结果表明，采用这种与模型无关的方法，我们可以在未见过且无标注的数据集上实现约 的准确率提升，同时在有标注数据集上保持几乎相同的性能。
引用
@article{arxiv.1808.05777,
title = {Unsupervised adversarial domain adaptation for acoustic scene classification},
author = {Shayan Gharib and Konstantinos Drossos and Emre Çakir and Dmitriy Serdyuk and Tuomas Virtanen},
journal= {arXiv preprint arXiv:1808.05777},
year = {2018}
}