面向声学场景分类的无监督多目标域自适应
声音
2021-05-24 v1 音频与语音处理
摘要
众所周知，训练（源）与测试（目标）数据分布之间的不匹配将显著降低声学场景分类（ASC）系统的性能。为解决此问题，域自适应（DA）是一种方案，且已提出许多无监督DA方法。这些方法聚焦于单源域到单目标域的场景。然而，我们将面临测试数据来自多个目标域的问题。该问题可通过为每个目标域生成一个模型来解决，但此方案成本过高。本文中，我们提出一种新颖的面向ASC的无监督多目标域自适应（MTDA）方法，其可同时适应多个目标域并利用多域间的潜在关联。具体而言，我们的方法将传统对抗自适应与两项新颖判别器任务相结合，以学习所有域共享的公共子空间。此外，我们提出将目标域划分为易适应与难适应域，使系统能在训练中更关注难适应域。在DCASE 2020 Task 1-A数据集与DCASE 2019 Task 1-B数据集上的实验结果表明，我们所提方法显著优于先前的无监督DA方法。
引用
@article{arxiv.2105.10340,
title = {Unsupervised Multi-Target Domain Adaptation for Acoustic Scene Classification},
author = {Dongchao Yang and Helin Wang and Yuexian Zou},
journal= {arXiv preprint arXiv:2105.10340},
year = {2021}
}
备注
5pages,4figures,submit to interspeech2021