論文の概要: Semi-Supervised Sound Event Detection with Conditional Mixup and Embedding-Level Contrastive Loss

• arxiv url: http://arxiv.org/abs/2606.29901v1
• Date: Mon, 29 Jun 2026 07:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.097239
• Title: Semi-Supervised Sound Event Detection with Conditional Mixup and Embedding-Level Contrastive Loss
• Title（参考訳）: コンディショナル・ミックスアップとエンベディング・レベル・コントラスト損失を用いた半監督音事象検出
• Authors: Nian Shao, Xian Li, Xiaofei Li,
• Abstract要約: 半教師付きフレームワークにおける合成混合と摂動混合を組み合わせた条件混合を提案し,それに対応する埋め込みレベルのコントラスト損失を定義する。 得られたモデルは、DESED検証セット上で0.645 PSDS1と0.822 PSDS2を達成し、新しい最先端技術を確立する。
• 参考スコア（独自算出の注目度）: 16.05394511743307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sound event detection (SED) is a core module for acoustic environmental analysis, yet its performance is often limited by scarce labeled data. Recent systems leverage large pretrained audio foundation models, but effective fine-tuning remains challenging because labeled data are limited while unlabeled data are abundant. A previous work, ATST-SED, addressed this problem with a pseudo-label based semi-supervised fine-tuning framework. In this work, we further improve the framework by adopting an embedding-level self-supervised contrastive loss inspired by ATST-Frame pretraining. This contrastive objective better exploits unlabeled data during fine-tuning. One challenge is that mixup serves different roles in the two objectives: pseudo-label learning uses composition mixup, while contrastive learning treats mixup as a perturbation. To resolve this mismatch, we propose conditional mixup, which combines composition mixup and perturbation mixup in one semi-supervised framework and defines the corresponding embedding-level contrastive losses. The resulting model achieves 0.645 PSDS1 and 0.822 PSDS2 on the DESED validation set, establishing a new state of the art.
• Abstract（参考訳）: 音響事象検出(SED)は、音響環境解析のコアモジュールであるが、その性能は少ないラベル付きデータによって制限されることが多い。 近年のシステムは、大規模な事前訓練されたオーディオ基礎モデルを利用しているが、ラベル付きデータが限られており、ラベルなしデータが豊富であるため、効果的な微調整は依然として困難である。 以前の研究であるATST-SEDは、擬似ラベルに基づく半教師付き微調整フレームワークでこの問題に対処した。 本研究では,ATST-Frameプレトレーニングにインスパイアされた,組込みレベルの自己監督型コントラスト損失を採用することにより,フレームワークをさらに改善する。 この対照的な目的は、微調整中にラベルのないデータをうまく活用する。 1つの課題は、ミックスアップが2つの目的において異なる役割を担っていることである:擬似ラベル学習はコンポジション・ミックスアップを使用し、対照的な学習はミックスアップを摂動として扱う。 このミスマッチを解決するために,1つの半教師付きフレームワークにおける合成混合と摂動混合を組み合わせ,対応する埋め込みレベルのコントラスト損失を定義する条件混合を提案する。 得られたモデルはDESED検証セットで0.645 PSDS1と0.822 PSDS2を達成し、新しい最先端技術を確立する。

関連論文リスト

• RegMixMatch: Optimizing Mixup Utilization in Semi-Supervised Learning [0.7274730603514221]
  半教師付きRegMixupは、さまざまなSSLベンチマークで最先端のパフォーマンスを達成する。 我々は,トップ2の予測クラスから低信頼度サンプルとその人工ラベルに情報を統合する,クラス認識ミックスアップ技術を開発した。
  論文  参考訳（メタデータ） (2024-12-14T08:22:49Z)
• Adaptive Mix for Semi-Supervised Medical Image Segmentation [22.69909762038458]
  Mix-upは、整合正則化に基づく半教師あり学習手法の鍵となる技術である。 本稿では,画像混合のための適応混合アルゴリズム(AdaMix)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:19:39Z)
• Learning with Noisy Labels Using Collaborative Sample Selection and Contrastive Semi-Supervised Learning [76.00798972439004]
  Collaborative Sample Selection (CSS)は、特定されたクリーンセットからノイズの多いサンプルを削除する。 半教師付き学習において、対照的な損失を伴う協調学習機構を導入する。
  論文  参考訳（メタデータ） (2023-10-24T05:37:20Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Learning from Noisy Labels with Coarse-to-Fine Sample Credibility Modeling [22.62790706276081]
  ノイズの多いラベルでディープニューラルネットワーク(DNN)を訓練することは事実上難しい。 従来の取り組みでは、統合されたデノナイジングフローで部分データや完全なデータを扱う傾向があります。 本研究では,ノイズの多いデータを分割・分散的に処理するために,CREMAと呼ばれる粗大な頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-23T02:06:38Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• A Framework using Contrastive Learning for Classification with Noisy Labels [1.2891210250935146]
  雑音ラベルの存在下で画像分類を行うために,コントラスト学習を事前学習タスクとして利用するフレームワークを提案する。 擬似ラベル, ガウス混合モデルを用いたサンプル選択, 重み付き教師付きコントラスト学習などの近年の戦略は, 事前学習後の微調整相に組み合わされている。
  論文  参考訳（メタデータ） (2021-04-19T18:51:22Z)

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。