論文の概要: Deep Learning-Based Acoustic Mosquito Detection in Noisy Conditions
Using Trainable Kernels and Augmentations
- arxiv url: http://arxiv.org/abs/2207.13843v1
- Date: Thu, 28 Jul 2022 01:05:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 13:02:21.818382
- Title: Deep Learning-Based Acoustic Mosquito Detection in Noisy Conditions
Using Trainable Kernels and Augmentations
- Title（参考訳）: 学習可能なカーネルと拡張を用いた雑音下での深層学習に基づく音響モスキート検出
- Authors: Devesh Khandelwal, Sean Campos, Shwetha Nagaraj, Fred Nugen, Alberto
Todeschini
- Abstract要約: 本研究では,事前処理手法を深層学習モデルに融合させることにより,音声機械学習手法の有効性を高めるための独自のレシピを示す。
本ソリューションは,音声信号から信頼性の高い蚊検出装置を構築するために,コストのかかるランダム検索ではなく,トレーニングによってハイパーパラメータを最適化することにより,トレーニングと推論性能を向上する。
- 参考スコア（独自算出の注目度）: 17.77602155559703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we demonstrate a unique recipe to enhance the effectiveness of
audio machine learning approaches by fusing pre-processing techniques into a
deep learning model. Our solution accelerates training and inference
performance by optimizing hyper-parameters through training instead of costly
random searches to build a reliable mosquito detector from audio signals. The
experiments and the results presented here are part of the MOS C submission of
the ACM 2022 challenge. Our results outperform the published baseline by 212%
on the unpublished test set. We believe that this is one of the best real-world
examples of building a robust bio-acoustic system that provides reliable
mosquito detection in noisy conditions.
- Abstract（参考訳）: 本稿では,前処理手法をディープラーニングモデルに融合することにより,音声機械学習手法の有効性を高めるためのユニークなレシピを示す。
本ソリューションは,音声信号から信頼できる蚊検出器を構築するために,費用のかかるランダム検索ではなく,トレーニングを通じてハイパーパラメータを最適化することで,トレーニングと推論のパフォーマンスを高速化する。
ここで示された実験と結果は、acm 2022チャレンジのmos c提案の一部である。
結果は未公開のテストセットにおいて,公開ベースラインを212%上回った。
これは、騒がしい環境で信頼できる蚊の検出を可能にする、堅牢なバイオ音響システムを構築するための最良の実例の1つだと考えています。
関連論文リスト
- Reproducible Machine Learning-based Voice Pathology Detection: Introducing the Pitch Difference Feature [1.1455937444848385]
本稿では,音声病理診断における現代的実践の徹底的な研究から得られた,ロバストな特徴セットを提案する。
K-Means Synthetic Minority Over-Sampling Technique(K-Means Synthetic Over-Sampling Technique)アルゴリズムを用いて,Sarbr"ucken Voice Database(SVD)のデータを含むこの機能セットを組み合わせる。
提案手法は,音声病理診断における非重み付き平均リコールによって測定された最先端の性能を達成している。
論文 参考訳（メタデータ） (2024-10-14T14:17:52Z) - Describe Where You Are: Improving Noise-Robustness for Speech Emotion Recognition with Text Description of the Environment [21.123477804401116]
音声感情認識(SER)システムは、周囲ノイズが性能を著しく低下させる現実世界環境でしばしば苦労する。
本稿では,騒音条件下でのSER性能を最大化するために,テスト環境の事前知識を活用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T02:30:40Z) - Noisy Pair Corrector for Dense Retrieval [59.312376423104055]
ノイズペアコレクタ(NPC)と呼ばれる新しい手法を提案する。
NPCは検出モジュールと修正モジュールから構成される。
我々は,テキスト検索ベンチマークのNatural QuestionとTriviaQA,コード検索ベンチマークのStaQCとSO-DSで実験を行った。
論文 参考訳（メタデータ） (2023-11-07T08:27:14Z) - An Efficient Membership Inference Attack for the Diffusion Model by
Proximal Initialization [58.88327181933151]
本稿では,効率的なクエリベースのメンバシップ推論攻撃(MIA)を提案する。
実験結果から,提案手法は離散時間と連続時間の両方の拡散モデル上で,2つのクエリで競合性能を達成できることが示唆された。
我々の知る限り、本研究はテキスト音声タスクにおけるMIAへの拡散モデルのロバスト性について初めて研究するものである。
論文 参考訳（メタデータ） (2023-05-26T16:38:48Z) - Improving the Robustness of Summarization Models by Detecting and
Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。
本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文 参考訳（メタデータ） (2022-12-20T00:33:11Z) - Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。
提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
論文 参考訳（メタデータ） (2022-11-02T15:03:50Z) - NASTAR: Noise Adaptive Speech Enhancement with Target-Conditional
Resampling [34.565077865854484]
ターゲット条件再サンプリング(NASTAR)を用いた雑音適応音声強調手法を提案する。
NASTARはフィードバック機構を使用して、ノイズ抽出器と検索モデルを介して適応的なトレーニングデータをシミュレートする。
実験結果から,NASTARは1つの雑音のある音声サンプルを効果的に使用して,SEモデルを目標条件に適応させることができることがわかった。
論文 参考訳（メタデータ） (2022-06-18T00:15:48Z) - Hard Sample Aware Noise Robust Learning for Histopathology Image
Classification [4.75542005200538]
病理組織像分類のための新しいハードサンプル認識型ノイズロバスト学習法を提案する。
本研究は, 難燃性難燃性試料と難燃性試料とを識別するため, 簡易・難燃性検出モデルを構築した。
本稿では,雑音抑圧・高強度化(NSHE)方式を提案する。
論文 参考訳（メタデータ） (2021-12-05T11:07:55Z) - Improving Noise Robustness of Contrastive Speech Representation Learning
with Speech Reconstruction [109.44933866397123]
実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。
雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。
ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
論文 参考訳（メタデータ） (2021-10-28T20:39:02Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。