論文の概要: TASK3 DCASE2021 Challenge: Sound event localization and detection using
squeeze-excitation residual CNNs
- arxiv url: http://arxiv.org/abs/2107.14561v1
- Date: Fri, 30 Jul 2021 11:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 12:49:54.662262
- Title: TASK3 DCASE2021 Challenge: Sound event localization and detection using
squeeze-excitation residual CNNs
- Title（参考訳）: TASK3 DCASE2021 チャレンジ:圧縮励起残差CNNを用いた音事象の定位と検出
- Authors: Javier Naranjo-Alcazar, Sergi Perez-Castanos, Pedro Zuccarello,
Francesc J. Ferri, Maximo Cobos
- Abstract要約: この調査は、昨年同じチームが実施した調査に基づいています。
この手法がそれぞれのデータセットをどのように改善するかを研究することが決定された。
この修正は,MICデータセットを用いたベースラインと比較して,システム性能の向上を示す。
- 参考スコア（独自算出の注目度）: 4.4973334555746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sound event localisation and detection (SELD) is a problem in the field of
automatic listening that aims at the temporal detection and localisation
(direction of arrival estimation) of sound events within an audio clip, usually
of long duration. Due to the amount of data present in the datasets related to
this problem, solutions based on deep learning have positioned themselves at
the top of the state of the art. Most solutions are based on 2D representations
of the audio (different spectrograms) that are processed by a
convolutional-recurrent network. The motivation of this submission is to study
the squeeze-excitation technique in the convolutional part of the network and
how it improves the performance of the system. This study is based on the one
carried out by the same team last year. This year, it has been decided to study
how this technique improves each of the datasets (last year only the MIC
dataset was studied). This modification shows an improvement in the performance
of the system compared to the baseline using MIC dataset.
- Abstract（参考訳）: 音声イベントの局所化・検出(seld)は、音声クリップ内の音声イベントの時間的検出と局所化(到着推定の方向)を目的とした自動リスニングの分野における問題である。
この問題に関連するデータセットに存在するデータ量のため、ディープラーニングに基づくソリューションは、最先端の最先端にある。
ほとんどのソリューションは、畳み込み再帰ネットワークによって処理されるオーディオ(微分スペクトログラム)の2次元表現に基づいている。
本提案の動機は,ネットワークの畳み込み部におけるスクイーズ励起手法と,システムの性能改善について検討することにある。
この研究は、昨年同じチームが行ったものに基づいています。
今年、この手法がそれぞれのデータセットをどのように改善するかを研究することが決定された(昨年、MICデータセットのみが研究された)。
この修正は,MICデータセットを用いたベースラインと比較して,システム性能の向上を示す。
関連論文リスト
- Towards Open-Vocabulary Audio-Visual Event Localization [59.23161248808759]
本稿では,オープン語彙音声・視覚イベントのローカライズ問題を紹介する。
この問題は、音声・視覚イベントのローカライズと、推測時に見つからないデータの両方の明確なカテゴリの予測を必要とする。
OV-AVEBenchデータセットを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:35:20Z) - The Solution for Temporal Sound Localisation Task of ICCV 1st Perception Test Challenge 2023 [11.64675515432159]
視覚的特徴と音声的特徴を組み合わせるために,マルチモーダル融合方式を用いる。
最先端の自己教師付き事前学習ネットワークを用いて高品質な視覚特徴を抽出する。
同時に、音声機能は、モデルが音の開始と終了をよりよくローカライズするのに役立つ補完的な情報として機能する。
論文 参考訳（メタデータ） (2024-07-01T12:52:05Z) - DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
生成学習の観点からSED問題を再構築する。
具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。
トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
論文 参考訳（メタデータ） (2023-08-14T17:29:41Z) - Do You Remember? Overcoming Catastrophic Forgetting for Fake Audio
Detection [54.20974251478516]
本稿では,破滅的な忘れを克服するために,偽音声検出のための連続学習アルゴリズムを提案する。
検出ネットワークを微調整する場合,本手法では,真の発話と偽発話の比率に応じて,重み付けの方向を適応的に計算する。
本手法は,音声の感情認識などの関連分野に容易に一般化できる。
論文 参考訳（メタデータ） (2023-08-07T05:05:49Z) - BYOL-S: Learning Self-supervised Speech Representations by Bootstrapping [19.071463356974387]
この研究は、ブートストラップによる自己教師型学習に基づく既存の手法を拡張し、様々なエンコーダアーキテクチャを提案し、異なる事前学習データセットを使用することの効果を探る。
本稿では,手工芸とデータ駆動型学習音声機能を組み合わせたハイブリッド音声表現を提案する。
提案したすべての表現は、聴覚シーン分類とタイムスタンプ検出タスクのためのHEAR NeurIPS 2021チャレンジで評価された。
論文 参考訳（メタデータ） (2022-06-24T02:26:40Z) - PILOT: Introducing Transformers for Probabilistic Sound Event
Localization [107.78964411642401]
本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。
このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
論文 参考訳（メタデータ） (2021-06-07T18:29:19Z) - Cross-Referencing Self-Training Network for Sound Event Detection in
Audio Mixtures [23.568610919253352]
本稿では,教師なしデータから擬似ラベルを生成するための半教師付き手法を提案する。
DESEDデータベースの「検証」と「公開評価」の双方に関するこれらの手法の結果は、半教師あり学習における最先端技術システムと比較して著しく改善された。
論文 参考訳（メタデータ） (2021-05-27T18:46:59Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z) - Unsupervised Domain Adaptation for Acoustic Scene Classification Using
Band-Wise Statistics Matching [69.24460241328521]
機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。
本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。
提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T23:56:05Z) - CURE Dataset: Ladder Networks for Audio Event Classification [15.850545634216484]
約300万人が聴覚障害を抱えており、周囲で起きている出来事を認識できない。
本稿では,難聴者に対して最も関連性の高い特定の音声イベントをキュレートしたCUREデータセットを確立する。
論文 参考訳（メタデータ） (2020-01-12T09:35:30Z)
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。