基于出现次数学习的弱监督时间定位
机器学习
2019-05-20 v1 声音
音频与语音处理
机器学习
摘要
我们提出了一种用于时间检测与定位的新模型，该模型允许仅使用事件出现次数作为训练标签来训练深度神经网络。这一强大的弱监督框架减轻了在时间数据中标注事件位置这一不精确且耗时过程的负担。与现有通过设计显式实现定位的方法不同，我们的模型将定位作为学习计数实例的副产品隐式地学习。这一独特特性是模型理论性质的直接结果。我们在多项实验中（音频中的鼓点检测与钢琴起音检测、图像中的数字检测）验证了方法的有效性，并证明尽管训练要求弱得多，其性能可与全监督最先进方法相媲美。
引用
@article{arxiv.1905.07293,
title = {Weakly-Supervised Temporal Localization via Occurrence Count Learning},
author = {Julien Schroeter and Kirill Sidorov and David Marshall},
journal= {arXiv preprint arXiv:1905.07293},
year = {2019}
}
备注
Accepted at ICML 2019