論文の概要: Deep Learning Based Open Set Acoustic Scene Classification

• arxiv url: http://arxiv.org/abs/2008.07247v1
• Date: Mon, 17 Aug 2020 12:23:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 04:37:40.453292
• Title: Deep Learning Based Open Set Acoustic Scene Classification
• Title（参考訳）: 深層学習に基づくオープンセット音響シーン分類
• Authors: Zuzanna Kwiatkowska, Beniamin Kalinowski, Micha{\l} Ko\'smider, Krzysztof Rykaczewski
• Abstract要約: オープンセット音響シーン分類(ASC)における3つの手法の性能の比較を行った。 Adapted Class-Conditioned Autoencoder (Adapted C2AE)は、C2AEと呼ばれる別のコンピュータビジョン関連技術のバリエーションである。 C2AE法は閾値とOpenmaxよりも優れており,AUROC(受取人動作曲線)下では85.5%,音響シーンとイベントの分類に使用するデータに対して66%のオープンセット精度が得られた。
• 参考スコア（独自算出の注目度）: 8.048166434189522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we compare the performance of three selected techniques in open set acoustic scenes classification (ASC). We test thresholding of the softmax output of a deep network classifier, which is the most popular technique nowadays employed in ASC. Further we compare the results with the Openmax classifier which is derived from the computer vision field. As the third model, we use the Adapted Class-Conditioned Autoencoder (Adapted C2AE) which is our variation of another computer vision related technique called C2AE. Adapted C2AE encompasses a more fair comparison of the given experiments and simplifies the original inference procedure, making it more applicable in the real-life scenarios. We also analyse two training scenarios: without additional knowledge of unknown classes and another where a limited subset of examples from the unknown classes is available. We find that the C2AE based method outperforms the thresholding and Openmax, obtaining $85.5\%$ Area Under the Receiver Operating Characteristic curve (AUROC) and $66\%$ of open set accuracy on data used in Detection and Classification of Acoustic Scenes and Events Challenge 2019 Task 1C.
• Abstract（参考訳）: 本研究では,オープンセット音響シーン分類(ASC)における3つの選択手法の性能を比較した。 現在ascで採用されている最も一般的な手法である深層ネットワーク分類器のソフトマックス出力のしきい値化をテストする。 さらに,コンピュータビジョン分野から派生したOpenmax分類器との比較を行った。 第3のモデルとして、C2AEと呼ばれる別のコンピュータビジョン関連技術のバリエーションであるAdapted Class-Conditioned Autoencoder(Adapted C2AE)を用いる。 適応型c2aeは、与えられた実験をより公平に比較し、元の推論手順を単純化し、実際のシナリオでより適用できるようにします。 未知のクラスに関する追加の知識がないことと、未知のクラスからのサンプルの限られたサブセットが利用できるという2つのトレーニングシナリオも分析しています。 このc2aeベースの手法はしきい値とopenmaxよりも優れており、受信者の動作特性曲線(auroc)の下で85.5\%$領域と、音響シーンとイベントチャレンジ2019タスク1cの検出と分類に使用されるデータに対して6,6\%$のオープンセット精度が得られる。

関連論文リスト

• Large-Scale Evaluation of Open-Set Image Classification Techniques [1.1249583407496218]
  Open-Set Classification (OSC)アルゴリズムは、クローズドとオープンセットの両方の認識能力を最大化することを目的としている。 近年の研究では、このようなアルゴリズムが小規模なデータセット上で有効であることが示されているが、実験が限定されているため、実世界の問題における性能評価は困難である。
  論文  参考訳（メタデータ） (2024-06-13T13:43:01Z)
• VAEMax: Open-Set Intrusion Detection based on OpenMax and Variational Autoencoder [5.733432394442812]
  我々はOpenMaxと変分オートエンコーダを用いて二重検出モデルVAEMaxを提案する。 まず,一次元畳み込みニューラルネットワークに基づくフローペイロードの特徴を抽出する。 その後、OpenMaxはフローの分類に使用され、その間に未知の攻撃が検出され、残りは既知のフローの特定のクラスに誤って分類される。
  論文  参考訳（メタデータ） (2024-03-07T03:48:47Z)
• Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly Detectors [117.61449210940955]
  ビデオフレームレベルで適用された軽量マスク付きオートエンコーダ(AE)に基づく効率的な異常事象検出モデルを提案する。 動き勾配に基づく重みトークンへのアプローチを導入し、静的背景シーンから前景オブジェクトへ焦点を移す。 トレーニングビデオの強化のために合成異常事象を生成し,マスク付きAEモデルを用いてオリジナルのフレームを共同で再構築する。
  論文  参考訳（メタデータ） (2023-06-21T06:18:05Z)
• Improved Zero-Shot Audio Tagging & Classification with Patchout Spectrogram Transformers [7.817685358710508]
  Zero-Shot(ZS)学習は、適応可能なクラス記述に基づいてクラスを予測することによって制約を克服する。 本研究では,ZS学習における自己注意型音声埋め込みアーキテクチャの有効性について検討する。
  論文  参考訳（メタデータ） (2022-08-24T09:48:22Z)
• Neural Networks with A La Carte Selection of Activation Functions [0.0]
  活性化関数(AF)は、ニューラルネットワークの成功(または失敗)に重要な要素である。 多数の既知のAFをアーキテクチャの成功と組み合わせて、有益な3つの方法を提案しています。 本稿では,ReLU隠れユニットとソフトマックス出力ユニットからなる標準ネットワークと比較して,25の分類問題に対して,全ての手法が有意に優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-06-24T09:09:39Z)
• Open Set Recognition using Vision Transformer with an Additional Detection Head [6.476341388938684]
  視覚変換器(ViT)技術に基づくオープンセット認識(OSR)の新しい手法を提案する。 まず、閉集合分類を行うためにViTモデルを訓練する。 そして、ViTによって抽出された埋め込み特徴に付加検出ヘッドを取り付け、既知のデータの表現をクラス固有のクラスタにコンパクトに強制するように訓練する。
  論文  参考訳（メタデータ） (2022-03-16T07:34:58Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)
• Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
  我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。 タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
  論文  参考訳（メタデータ） (2020-07-16T15:07:14Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。