論文の概要: Towards Open World Sound Event Detection

• arxiv url: http://arxiv.org/abs/2605.03934v1
• Date: Tue, 05 May 2026 16:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:44.03061
• Title: Towards Open World Sound Event Detection
• Title（参考訳）: オープンワールド音事象検出に向けて
• Authors: P. H. Hai, L. T. Minh, L. H. Son,
• Abstract要約: オープンワールド・サウンド・イベント検出(OW-SED)パラダイムを導入し、モデルが既知のイベントを検出し、目に見えないイベントを特定し、そこから漸進的に学習する。 重複や曖昧なイベントなど,OW-SEDのユニークな課題に対処するために,我々は1Dデフォルマブルアーキテクチャを提案する。 本手法は,クローズドワールド設定における従来の先行手法と比較して,比較的優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sound Event Detection (SED) plays a vital role in audio understanding, with applications in surveillance, smart cities, healthcare, and multimedia indexing. However, conventional SED systems operate under a closed-world assumption, limiting their effectiveness in real-world environments where novel acoustic events frequently emerge. Inspired by the success of open-world learning in computer vision, we introduce the Open-World Sound Event Detection (OW-SED) paradigm, where models must detect known events, identify unseen ones, and incrementally learn from them. To tackle the unique challenges of OW-SED, such as overlapping and ambiguous events, we propose a 1D Deformable architecture that leverages deformable attention to adaptively focus on salient temporal regions. Furthermore, we design a novel Open-World Deformable Sound Event Detection Transformer (WOOT) framework incorporating feature disentanglement to separate class-specific and class-agnostic representations, together with a one-to-many matching strategy and a diversity loss to enhance representation diversity. Experimental results demonstrate that our method achieves marginally superior performance compared to existing leading techniques in closed-world settings and significantly improves over existing baselines in open-world scenarios.
• Abstract（参考訳）: 音声イベント検出(SED)は、監視、スマートシティ、ヘルスケア、マルチメディアインデックスなど、音声理解において重要な役割を果たす。 しかし、従来のSEDシステムはクローズドワールドの仮定の下で動作し、新しい音響現象が頻繁に出現する現実世界環境での有効性を制限している。 コンピュータビジョンにおけるオープンワールド学習の成功に触発されたオープンワールド・サウンド・イベント検出(OW-SED)パラダイムを導入する。 重複や曖昧なイベントなどのOW-SEDの独特な課題に対処するために,変形可能な注意を生かした1Dデフォルマブルアーキテクチャを提案する。 さらに,クラス固有表現とクラス非依存表現に特徴的不整合を組み込んだオープンワールド変形型音響イベント検出変換(WOOT)フレームワークを設計し,一対多のマッチング戦略と多様性の喪失を両立させ,表現の多様性を高める。 実験により,本手法は,クローズドワールド設定における既存の先行技術と比較して比較的優れた性能を示し,オープンワールドシナリオにおける既存のベースラインよりも大幅に向上することを示した。

関連論文リスト

• Audio-Visual World Models: Towards Multisensory Imagination in Sight and Sound [5.591620304505415]
  この研究は、AVWM (Audio-Visual World Models) のための最初の公式なフレームワークを提示する。 マルチモーダル環境シミュレーションを、部分的に観察可能な決定プロセスとして定式化し、音声・視覚的観察、きめ細かいアクション、タスク報酬を提供する。 本稿では,視覚学習と聴覚学習のバランスをとる新しいモダリティ・エキスパート・アーキテクチャを用いたオーディオ・ビジュアル・コンディショナル・トランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2025-11-30T13:11:56Z)
• GLip: A Global-Local Integrated Progressive Framework for Robust Visual Speech Recognition [72.29071664964633]
  我々は、ロバストな視覚音声認識(VSR)のために設計されたグローバルローカル統合プログレッシブフレームワークGLipを提案する。 GLipは、グローバルな視覚的特徴とローカルな視覚的特徴の両方を、容易にアクセス可能な音声視覚データを用いて対応する音声音声単位に整合させることを学ぶ。 第2段階では、ローカル機能を関連するグローバルコンテキストと動的に統合するコンテキスト拡張モジュール(CEM)を導入します。
  論文  参考訳（メタデータ） (2025-09-19T14:36:01Z)
• AVadCLIP: Audio-Visual Collaboration for Robust Video Anomaly Detection [57.649223695021114]
  本稿では,ロバストなビデオ異常検出に音声と視覚の協調を利用する,弱教師付きフレームワークを提案する。 本フレームワークは,複数のベンチマークにおいて優れた性能を示し,オーディオ統合により異常検出精度が大幅に向上する。
  論文  参考訳（メタデータ） (2025-04-06T13:59:16Z)
• CACE-Net: Co-guidance Attention and Contrastive Enhancement for Effective Audio-Visual Event Localization [11.525177542345215]
  CACE-Netは、音声信号だけで視覚情報を案内する既存の方法とは異なる。 本稿では、双方向の双方向の注意誘導を適応的に行うための、オーディオ-視覚協調誘導機構を提案する。 AVEデータセットの実験では、CACE-Netがオーディオ視覚イベントローカライゼーションタスクに新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2024-08-04T07:48:12Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Seeking the Shape of Sound: An Adaptive Framework for Learning Voice-Face Association [94.7030305679589]
  上記の課題を共同で解決するための新しい枠組みを提案します。 我々はモダリティアライメントプロセスにグローバル損失を導入する。 提案メソッドは、複数の設定で以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2021-03-12T14:10:48Z)

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。