Fugu-MT 論文翻訳(概要): Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation

論文の概要: Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation

arxiv url: http://arxiv.org/abs/2410.14122v1
Date: Fri, 18 Oct 2024 02:31:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-21 14:25:58.112829
Title: Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation
Title（参考訳）: ロバスト転写に向けて:トレーニングデータ強化のためのノイズ注入方略を探る
Authors: Yonghyun Kim, Alexander Lerch,
Abstract要約: 本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。
参考スコア（独自算出の注目度）: 55.752737615873464
License:
Abstract: Recent advancements in Automatic Piano Transcription (APT) have significantly improved system performance, but the impact of noisy environments on the system performance remains largely unexplored. This study investigates the impact of white noise at various Signal-to-Noise Ratio (SNR) levels on state-of-the-art APT models and evaluates the performance of the Onsets and Frames model when trained on noise-augmented data. We hope this research provides valuable insights as preliminary work toward developing transcription models that maintain consistent performance across a range of acoustic conditions.
Abstract（参考訳）: 最近のAPT(Automatic Piano Transcription)の進歩はシステム性能を著しく向上させたが、ノイズの多い環境がシステム性能に与える影響は明らかにされていない。本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。

関連論文リスト

Improving Anomalous Sound Detection via Low-Rank Adaptation Fine-Tuning of Pre-Trained Audio Models [45.90037602677841]
本稿では,音声事前学習モデルを利用した頑健なAnomalous Sound Detection (ASD)モデルを提案する。マシン操作データを用いてこれらのモデルを微調整し、データ拡張戦略としてSpecAugを使用します。実験では,従来のSOTAモデルと比較して6.48%の大幅な改善が得られた。
論文参考訳（メタデータ） (2024-09-11T05:19:38Z)
BTS: Bridging Text and Sound Modalities for Metadata-Aided Respiratory Sound Classification [0.0]
音声サンプルのメタデータから派生した自由テキスト記述を用いて,事前学習したテキスト・オーディオ・マルチモーダルモデルを微調整する。提案手法は,ICBHIデータセットの最先端性能を達成し,先行した最良値の1.17%を突破した。
論文参考訳（メタデータ） (2024-06-10T20:49:54Z)
Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2024-03-11T16:22:41Z)
Towards Robust and Generalizable Training: An Empirical Study of Noisy Slot Filling for Input Perturbations [38.766702041991046]
スロット充足作業のためのノイズ-SFというノイズロバスト性評価データセットを提案する。提案するデータセットには,5種類の人称アノテートノイズが含まれている。ベースラインモデルはロバスト性評価において性能が劣ることがわかった。
論文参考訳（メタデータ） (2023-10-05T12:59:57Z)
Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2023-09-29T06:18:15Z)
Comparative Study on the Effects of Noise in ML-Based Anxiety Detection [0.0]
ノイズがモデル性能にどのように影響するかを考察し、ノイズの多い実環境に頑健なモデルを開発する。生理的覚醒のレベルを分類する機械学習モデルにおいて,様々なノイズの強度が与える影響を比較した。
論文参考訳（メタデータ） (2023-06-01T19:52:24Z)
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)
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)
Behavior of Keyword Spotting Networks Under Noisy Conditions [1.5425424751424208]
キーワードスポッティング(KWS)は、人工知能とスマートデバイスの発展とともに、ユビキタスなニーズになりつつある。この分野での最近の研究は、低音から中音のデータセットに対して良い結果を得るために、いくつかの異なるアーキテクチャに焦点を当てている。本稿では,様々な雑音条件下での最先端KWSネットワークの比較について述べる。
論文参考訳（メタデータ） (2021-09-15T10:02:34Z)
On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
論文参考訳（メタデータ） (2021-01-19T02:04:00Z)

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。