論文の概要: Contrastive Learning with Spectrum Information Augmentation in Abnormal Sound Detection

• arxiv url: http://arxiv.org/abs/2509.15570v1
• Date: Fri, 19 Sep 2025 04:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.988127
• Title: Contrastive Learning with Spectrum Information Augmentation in Abnormal Sound Detection
• Title（参考訳）: 異常音検出におけるスペクトル情報拡張によるコントラスト学習
• Authors: Xinxin Meng, Jiangtao Guo, Yunxiang Zhang, Shun Huang,
• Abstract要約: 外周露光法は、教師なしの異常音検出問題に対処するための効果的なアプローチである。 生物学的知覚とデータ解析に基づいて、異常な音声と雑音が高頻度で発生することが判明した。 コントラスト学習における高周波情報のためのデータ拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 5.731892114729765
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The outlier exposure method is an effective approach to address the unsupervised anomaly sound detection problem. The key focus of this method is how to make the model learn the distribution space of normal data. Based on biological perception and data analysis, it is found that anomalous audio and noise often have higher frequencies. Therefore, we propose a data augmentation method for high-frequency information in contrastive learning. This enables the model to pay more attention to the low-frequency information of the audio, which represents the normal operational mode of the machine. We evaluated the proposed method on the DCASE 2020 Task 2. The results showed that our method outperformed other contrastive learning methods used on this dataset. We also evaluated the generalizability of our method on the DCASE 2022 Task 2 dataset.
• Abstract（参考訳）: 外周露光法は、教師なしの異常音検出問題に対処するための効果的なアプローチである。 この手法の主な焦点は、モデルに正規データの分布空間を学習させる方法である。 生物学的知覚とデータ解析に基づいて、異常な音声と雑音が高頻度で発生することが判明した。 そこで本稿では,コントラスト学習における高周波情報のためのデータ拡張手法を提案する。 これにより、マシンの通常の動作モードを表すオーディオの低周波情報により注意を払うことができる。 提案手法をDCASE 2020 Task 2で評価した。 その結果,本手法は,本データセットを用いた他のコントラスト学習手法よりも優れていた。 また,DCASE 2022 Task 2データセット上での手法の一般化性についても検討した。

関連論文リスト

• Unsupervised Anomaly Detection for Tabular Data Using Noise Evaluation [26.312206159418903]
  教師なし異常検出(UAD)は、現代のデータ分析において重要な役割を果たす。 データに含まれるノイズの量を評価することによって,新しいUAD手法を提案する。 提案手法が異常データの検出に有効であることを証明し,理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-12-16T05:35:58Z)
• Sample selection with noise rate estimation in noise learning of medical image analysis [3.9934250802854376]
  本稿では,ノイズの多いデータセットでトレーニングされた場合のニューラルネットワークの性能を向上させる新しいサンプル選択手法を提案する。 本手法では,線形回帰を用いて損失値の分布を解析することにより,データセットの雑音率を推定する。 モデルのノイズ堅牢性をさらに高めるために,スパース正規化を採用している。
  論文  参考訳（メタデータ） (2023-12-23T11:57:21Z)
• Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection [5.1308092683559225]
  非教師付き異常音検出(ASD)は、正常な操作音の特徴を学習し、その偏差を感知することで、異常音を識別することを目的としている。 近年, 正規データの分類を利用した自己教師型タスクに焦点が当てられ, 高度なモデルでは, 異常データの表現空間の確保が重要であることが示されている。 本研究では,クラス内コンパクト性を確保し,正常試料と異常試料との角度ギャップを増大させる訓練手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:04:36Z)
• Anomalous Sound Detection using Audio Representation with Machine ID based Contrastive Learning Pretraining [52.191658157204856]
  コントラスト学習を用いて、各音声サンプルではなく、各機械IDの音声表現を洗練する。 提案手法では、コントラスト学習を用いて音声表現モデルを事前学習する。 実験の結果,本手法はコントラスト学習や自己教師型分類を用いて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-07T11:08:31Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Anomalous Sound Detection Using a Binary Classification Model and Class Centroids [47.856367556856554]
  本稿では, 正規データだけでなく, 他領域の外部データも擬似アノマラス音響データとして用いた二分分類モデルを提案する。 また,2値分類モデルをさらに改善するために,異常音データの追加の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-06-11T03:35:06Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。