論文の概要: Auto-AEG: Scalable Data Construction for Open-Vocabulary Audio Event Grounding

• arxiv url: http://arxiv.org/abs/2607.04383v1
• Date: Sun, 05 Jul 2026 16:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.912107
• Title: Auto-AEG: Scalable Data Construction for Open-Vocabulary Audio Event Grounding
• Title（参考訳）: Auto-AEG:Open-Vocabulary Audio Event Groundingのためのスケーラブルなデータ構築
• Abstract要約: 本稿では,自動データ構築とモデル微調整によるオープンボキャブラリオンセット/オフセット管理を構築する,スケーラブルなパイプラインであるAutoAEGを紹介する。 その結果,自動構築したデータと区間認識型報酬関数の設計は,LALMの時間的局所化能力を拡張するための有効なデータ側経路であることが示唆された。
• 参考スコア（独自算出の注目度）: 36.43390300751778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Audio-Language Models (LALMs) reason fluently about sound yet struggle to localize precisely when events occur, while classical Sound Event Detection attains frame-level precision only over a closed label set. At the intersection of these paradigms lies the task of Open-Vocabulary Audio Event Grounding: predicting all time intervals of a target sound event described by an arbitrary natural language query. While this task is crucial for real-world audio understanding and LALM adaptation, it is bottlenecked by data scarcity. Few large-scale resources provide open-vocabulary onset/offset supervision, and manual temporal annotation is prohibitively expensive. To address this, we introduce Auto-AEG, a scalable pipeline that constructs such supervision by automatic data construction and model fine-tuning. It pairs programmatically synthesized clips, which carry exact ground-truth intervals for supervised cold-start, with multi-model pseudo-labels on real-world audio that supply the reward signal for reinforcement learning. Training with this pipeline yields promising performance gains on both the DESED SED benchmark and AEGBench, an independent difficulty-stratified benchmark we release. Our results show that automatically constructed data, coupled with interval-aware reward function design, is an effective data-side route to expanding the temporal localization capability of LALMs.
• Abstract（参考訳）: LALM(Large Audio-Language Models)は、イベントの発生時に正確な局所化に苦慮するが、古典的なサウンドイベント検出では、閉じたラベルセット上でのみフレームレベルの精度が達成される。 これらのパラダイムの交わりには、任意の自然言語クエリによって記述されたターゲット音イベントのすべての時間間隔を予測する、Open-Vocabulary Audio Event Grounding(英語版)というタスクがある。 このタスクは、実世界の音声理解とLALM適応に不可欠であるが、データ不足によってボトルネックとなる。 オープンボキャブラリのオンセット/オフセット管理を提供する大規模リソースはほとんどなく、手動の時間的アノテーションは違法に高価である。 これを解決するために,自動データ構築とモデル微調整による監視を構築するスケーラブルなパイプラインであるAuto-AEGを導入する。 プログラムで合成されたクリップは、教師付きコールドスタートのための正確な接地時間間隔を持ち、実世界のオーディオにマルチモデル擬似ラベルが組み合わされ、強化学習のための報酬信号が供給される。 このパイプラインでトレーニングすることで、DESED SEDベンチマークとAEGBenchの両方のパフォーマンス向上が期待できるようになります。 その結果,自動構築したデータと区間認識型報酬関数の設計は,LALMの時間的局所化能力を拡張するための有効なデータ側経路であることが示唆された。

関連論文リスト

• Augmenting Large Audio-Language Models with Frame-Level Grounding for Fine-Grained Temporal Perception [26.919697203335343]
  LALM(Large Audio-Language Models)は、かなり高度な一般的な音声理解を持つが、微粒な時間知覚では限定的である。 イベントクエリを表現するためのセマンティックモデリング機能を活用しながら、専用のフレームレベルグラウンドモデルでLALMを拡張する。 多様な時間的グラウンドベンチマークによる実験は、既存の方法よりも強力で一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-09-14T08:35:35Z)
• Spatio-Temporal Audio Language Modeling for Dynamic Sound Sources [57.68713138159972]
  本稿では,ソーストラジェクトリとともにイベントセマンティクスを学習する時間分解型オーディオエンコーダを提案する。 実験により、この表現は意味的局所化を改善し、空間的および局所化指向のトレードオフよりも強い推論をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-06-12T05:58:31Z)
• Temporal Contrastive Decoding: A Training-Free Method for Large Audio-Language Models [56.91801348360746]
  大規模な音声言語モデル(LALM)は、音声、音声、音楽にまたがって一般化される。 統一デコーダは 時空間のスムーズなバイアスを示します LALMの学習自由復号法であるemphTemporal Contrastive Decoding (TCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:30:41Z)
• Frame-Level Internal Tool Use for Temporal Grounding in Audio LMs [48.50855715191533]
  大規模な音声言語モデルは、複雑な音声理解タスクにますます使われている。 彼らは、単語アライメントや話者ダイアリゼーションのような正確な時間的根拠を必要とする時間的タスクに苦労する。 本稿では,フレームレベルの内部ツール使用法を提案する。これは,内部の音声表現を用いて時間的グラウンドを直接行うように音声LMを訓練する手法である。
  論文  参考訳（メタデータ） (2026-02-10T19:19:52Z)
• CLASP: Cross-modal Salient Anchor-based Semantic Propagation for Weakly-supervised Dense Audio-Visual Event Localization [15.861700882671418]
  本稿では,新たな弱教師付き設定(W-DAVELタスク)の下でDAVELを探索する。 我々は、弱い監督下でよく予測される信頼性の高いタイムスタンプとして定義されるテキストクロスモーダルなサリエントアンカーを利用する。 我々は、UnAV-100とActivityNet1.3データセットの両方でW-DAVELのベンチマークを構築した。
  論文  参考訳（メタデータ） (2025-08-06T15:49:53Z)
• Detect Any Sound: Open-Vocabulary Sound Event Detection with Multi-Modal Queries [18.147981850263708]
  マルチモーダルクエリによってガイドされるオープン語彙SEDのための問合せベースのフレームワークを提案する。 DASMはSEDをフレームレベルの検索タスクとして定式化し、音声機能はテキストやオーディオプロンプトからのクエリベクトルと一致している。 DASMは、局所化精度と新しいクラスへの一般化のバランスを効果的に保ち、オープン語彙設定においてCLAPベースの手法より優れている。
  論文  参考訳（メタデータ） (2025-07-22T08:24:01Z)
• Spatial and Semantic Embedding Integration for Stereo Sound Event Localization and Detection in Regular Videos [3.2472293599354596]
  本報告では,DCASE2025 Task 3 Challenge: Stereo Sound Event Localization and Detection in regular Video Contentの音声のみおよび音声視覚トラックに提案するシステムについて述べる。 SELDは、時間的事象分類と空間的局所化を組み合わせた複雑なタスクであり、空間的、時間的、意味的な次元にわたって推論を必要とする。 そこで本研究では,音声用CLAPと視覚入力用OWL-ViTという,事前学習型コントラスト言語対応モデルを統合することで,セマンティック情報を用いた標準的なSELDアーキテクチャを強化した。
  論文  参考訳（メタデータ） (2025-07-07T10:08:57Z)
• Leveraging Language Model Capabilities for Sound Event Detection [10.792576135806623]
  本稿では,音声イベントとその時間的位置を同時に生成しながら,音声特徴を理解するためのエンドツーエンドフレームワークを提案する。 具体的には、事前学習された音響モデルを用いて、異なるカテゴリーにわたる識別的特徴を捉え、自動回帰テキスト生成のための言語モデルを用いる。
  論文  参考訳（メタデータ） (2023-08-22T15:59:06Z)
• 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)
• Exploiting Attention-based Sequence-to-Sequence Architectures for Sound Event Localization [113.19483349876668]
  本稿では,注意に基づくシーケンス・ツー・シーケンスモデルを用いて,音のイベントの局所化に新たなアプローチを提案する。 それは無響および残響の条件の最先端の方法と比較される優秀なローカリゼーションの性能をもたらします。
  論文  参考訳（メタデータ） (2021-02-28T07:52:20Z)

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。