論文の概要: Deep Space Separable Distillation for Lightweight Acoustic Scene Classification

• arxiv url: http://arxiv.org/abs/2405.03567v1
• Date: Mon, 6 May 2024 15:41:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 13:17:09.985075
• Title: Deep Space Separable Distillation for Lightweight Acoustic Scene Classification
• Title（参考訳）: 軽量音響シーン分類のための深部空間分離蒸留法
• Authors: ShuQi Ye, Yuan Tian,
• Abstract要約: 音響シーン分類のための深部空間分離型蒸留網を提案する。 分離可能コンボリューション(SC)、オルソノーマル分離コンボリューション(OSC)、分離可能部分コンボリューション(SPC)の3つの軽量演算子を特別に設計する。 提案手法は,現在普及しているディープラーニング手法と比較して,9.8%の性能向上を実現している。
• 参考スコア（独自算出の注目度）: 4.737278554017644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acoustic scene classification (ASC) is highly important in the real world. Recently, deep learning-based methods have been widely employed for acoustic scene classification. However, these methods are currently not lightweight enough as well as their performance is not satisfactory. To solve these problems, we propose a deep space separable distillation network. Firstly, the network performs high-low frequency decomposition on the log-mel spectrogram, significantly reducing computational complexity while maintaining model performance. Secondly, we specially design three lightweight operators for ASC, including Separable Convolution (SC), Orthonormal Separable Convolution (OSC), and Separable Partial Convolution (SPC). These operators exhibit highly efficient feature extraction capabilities in acoustic scene classification tasks. The experimental results demonstrate that the proposed method achieves a performance gain of 9.8% compared to the currently popular deep learning methods, while also having smaller parameter count and computational complexity.
• Abstract（参考訳）: 実世界では,音響シーン分類(ASC)が非常に重要である。 近年,深層学習に基づく手法が音響シーンの分類に広く用いられている。 しかしながら、これらのメソッドは今のところ十分に軽量ではなく、パフォーマンスが不十分である。 これらの問題を解決するために,深部空間分離型蒸留ネットワークを提案する。 まず,対数メル分光器を用いて低周波分解を行い,モデル性能を維持しながら計算複雑性を著しく低減する。 第2に、分離可能畳み込み(SC)、オルソノーマル分離畳み込み(OSC)、分離可能部分畳み込み(SPC)の3つの軽量演算子を特別に設計する。 これらのオペレータは、音響シーン分類タスクにおいて、高効率な特徴抽出機能を示す。 実験の結果,提案手法は,現在普及しているディープラーニング手法と比較して9.8%向上し,パラメータ数や計算複雑性も小さくなった。

関連論文リスト

• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Audio-Visual Efficient Conformer for Robust Speech Recognition [91.3755431537592]
  本稿では,近年提案されている高能率コンバータ接続性時間分類アーキテクチャの雑音を,音声と視覚の両方を処理して改善することを提案する。 実験の結果,音声と視覚のモダリティを用いることで,環境騒音の存在下での音声の認識が向上し,トレーニングが大幅に加速し,WERが4倍のトレーニングステップで低下することが確認された。
  論文  参考訳（メタデータ） (2023-01-04T05:36:56Z)
• Simple Pooling Front-ends For Efficient Audio Classification [56.59107110017436]
  入力音声特徴量における時間的冗長性を排除することは,効率的な音声分類に有効な方法である可能性が示唆された。 本稿では、単純な非パラメトリックプーリング操作を用いて冗長な情報を削減する単純なプールフロントエンド(SimPFs)のファミリーを提案する。 SimPFは、市販オーディオニューラルネットワークの浮動小数点演算数の半数以上を削減できる。
  論文  参考訳（メタデータ） (2022-10-03T14:00:41Z)
• 1-D CNN based Acoustic Scene Classification via Reducing Layer-wise Dimensionality [2.5382095320488665]
  本稿では、音響シーン分類(ASC)において一般的に使用される時間周波数表現と交互に表現する枠組みを提案する。 生音声信号は、各種中間層を用いて予め訓練された畳み込みニューラルネットワーク(CNN)を用いて表現される。 提案手法は時間周波数表現に基づく手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-31T02:00:31Z)
• SoundCLR: Contrastive Learning of Representations For Improved Environmental Sound Classification [0.6767885381740952]
  SoundCLRは、最先端の性能を持つ効果的な環境音分類のための教師付きコントラスト学習手法である。 利用可能な環境音のデータセットのサイズが比較的小さいため、転送学習と強力なデータ拡張パイプラインを提案し、活用する。 実験の結果,log-melスペクトルを用いたマスキングによる拡張技術により,認識性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-03-02T18:42:45Z)
• Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks [24.553598498985796]
  PolSAR画像の分類には,新しい,体系的な分類フレームワークが提案されている。 スライドウインドウ分類手法を用いたCNNのコンパクトで適応的な実装に基づいている。 提案手法は深層CNNよりも小さいウィンドウサイズで分類できる。
  論文  参考訳（メタデータ） (2020-11-10T17:09:11Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。