Fugu-MT 論文翻訳(概要): On loss functions and evaluation metrics for music source separation

論文の概要: On loss functions and evaluation metrics for music source separation

arxiv url: http://arxiv.org/abs/2202.07968v1
Date: Wed, 16 Feb 2022 10:22:40 GMT
ステータス: 処理完了
システム内更新日: 2022-02-17 16:20:16.974867
Title: On loss functions and evaluation metrics for music source separation
Title（参考訳）: 音源分離のための損失関数と評価指標について
Authors: Enric Gus\'o, Jordi Pons, Santiago Pascual, Joan Serr\`a
Abstract要約: まず最初に、私たちが特定した最も代表的な音源分離損失を調査し、その後、制御された実験装置でそれらを継続的にベンチマークした。また,評価指標などの損失を主観的テストの結果と相互に関連付けることによって検討する。
参考スコア（独自算出の注目度）: 23.262892768718824
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate which loss functions provide better separations via benchmarking an extensive set of those for music source separation. To that end, we first survey the most representative audio source separation losses we identified, to later consistently benchmark them in a controlled experimental setup. We also explore using such losses as evaluation metrics, via cross-correlating them with the results of a subjective test. Based on the observation that the standard signal-to-distortion ratio metric can be misleading in some scenarios, we study alternative evaluation metrics based on the considered losses.
Abstract（参考訳）: 音源分離のための広範囲な楽曲集合をベンチマークすることで、損失関数がより良い分離を提供するかを検討する。その目的のために、我々はまず最も代表的な音源分離損失を調査し、その後、制御された実験装置でそれらを一貫してベンチマークした。また,評価指標などの損失を主観的テストの結果と相互に関連付けることによって検討する。標準信号対歪比の指標がいくつかのシナリオで誤解を招く可能性があるという観測に基づいて,検討された損失に基づいて,代替評価指標について検討する。

関連論文リスト

Equivariance-based self-supervised learning for audio signal recovery from clipped measurements [13.829249782527363]
クリップ計測から音声信号を復元する非線形逆問題に対する自己教師型学習について検討した。提案手法は, 自己教師付き自己教師型復号法の性能を, 完全教師付き学習と良好に比較できることを示す。
論文参考訳（メタデータ） (2024-09-03T06:12:01Z)
As Biased as You Measure: Methodological Pitfalls of Bias Evaluations in Speaker Verification Research [15.722009470067974]
本研究では,測定がバイアス評価の結果に与える影響について検討する。偏見評価は,評価基準値に強く影響されていることを示す。以上の結果から,比に基づく偏差測定の活用を推奨する。
論文参考訳（メタデータ） (2024-08-24T16:04:51Z)
What You Hear Is What You See: Audio Quality Metrics From Image Quality Metrics [44.659718609385315]
そこで本研究では,音声信号の評価に最先端画像知覚メトリクスを応用し,スペクトログラムとして表現することの実現可能性について検討する。我々は、音響信号の特異性を考慮するために、精神音響学的に妥当なアーキテクチャを持つメトリクスの1つをカスタマイズする。提案手法の有効性を音楽データセットを用いて評価した。
論文参考訳（メタデータ） (2023-05-19T10:43:57Z)
Ontology-aware Learning and Evaluation for Audio Tagging [56.59107110017436]
平均平均精度(mAP)は、異なる種類の音をそれらの関係を考慮せずに独立したクラスとして扱う。オントロジー認識平均平均精度(OmAP)は、評価中にAudioSetオントロジー情報を利用することで、mAPの弱点に対処する。我々は人間の評価を行い、OmAPはmAPよりも人間の知覚と一致していることを示した。
論文参考訳（メタデータ） (2022-11-22T11:35:14Z)
Triplet Losses-based Matrix Factorization for Robust Recommendations [0.76146285961466]
複数の三重項損失項を用いてユーザとアイテムの意味表現を抽出する。いくつかの「バイアス認識」評価指標を用いて,これらの表現の音質を実証的に評価した。
論文参考訳（メタデータ） (2022-10-21T16:44:59Z)
Evaluating generative audio systems and their metrics [80.97828572629093]
本報告では,従来提案されていた音声再建のための目標尺度のセットと,聴取研究を併用して,最先端のアプローチについて検討する。その結果、現在使われている客観的指標は、現在のシステムの知覚的品質を記述するのに不十分であることが示唆された。
論文参考訳（メタデータ） (2022-08-31T21:48:34Z)
Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
論文参考訳（メタデータ） (2022-03-28T21:22:22Z)
On Codomain Separability and Label Inference from (Noisy) Loss Functions [11.780563744330038]
本稿では,任意の(ノイズの多い)損失関数値からラベル推論が可能となる必要かつ十分な条件を検討するために,コドメイン分離性の概念を導入する。一般的なアクティベーション機能を持つマルチクラスクロスエントロピーや,ブレグマンの発散に基づく損失を含む,多くの一般的な損失関数に対して,任意の雑音レベルに対するラベル推論攻撃を設計可能であることを示す。
論文参考訳（メタデータ） (2021-07-07T05:29:53Z)
A Statistical Analysis of Summarization Evaluation Metrics using Resampling Methods [60.04142561088524]
信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
論文参考訳（メタデータ） (2021-03-31T18:28:14Z)
Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。 PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
論文参考訳（メタデータ） (2020-10-15T17:59:08Z)
Rethinking preventing class-collapsing in metric learning with margin-based losses [81.22825616879936]
メトリクス学習は、視覚的に類似したインスタンスが近接し、異なるインスタンスが分離した埋め込みを求める。マージンベースの損失は、クラスの全サンプルを埋め込み空間の単一点に投影する傾向がある。そこで本研究では,各サンプルが最寄りの同一クラスをバッチで選択するように,埋め込み損失の簡易な修正を提案する。
論文参考訳（メタデータ） (2020-06-09T09:59:25Z)

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。