論文の概要: TriA Pipeline: A Large-Scale Automatic Audio Annotation Pipeline For Audio Classification In Specific Scenarios
- arxiv url: http://arxiv.org/abs/2607.06179v1
- Date: Tue, 07 Jul 2026 11:57:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.507241
- Title: TriA Pipeline: A Large-Scale Automatic Audio Annotation Pipeline For Audio Classification In Specific Scenarios
- Title（参考訳）: TriA Pipeline: 特定のシナリオでオーディオを分類するための大規模自動オーディオアノテーションパイプライン
- Abstract要約: TriA Pipelineは、さまざまなシナリオからのオーディオを、オーディオイベントアノテーションによる高品質なトレーニングデータに変換することができる。
データセットはTriA Pipelineで構築され、431のオーディオクラスをカバーする2130時間以上のオーディオであった。
- 参考スコア（独自算出の注目度）: 16.236285475993615
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: There are some datasets of varying scales for audio classification (AC) applied to different tasks. However, annotated data is limited for most scenarios, such as domestic environments. To address this challenge, we propose an $\textbf{A}$utomatic $\textbf{A}$udio $\textbf{A}$nnotation Pipeline--TriA Pipeline, which can efficiently convert audio from various scenarios into high-quality training data with audio event annotations. A TriA dataset was constructed with the TriA Pipeline, over 2130 hours of audio covering 431 audio classes. Furthermore, we partitioned a prior-knowledge-guided subset (TriA$_{\mathrm{GK}}$) from TriA and conduct comparative experiments on three domestic AC tasks. Comparing the result on manually annotated data only and that on manually annotated data combines TriA$_{\mathrm{GK}}$, TriA$_{\mathrm{GK}}$ could achieve average relative gains of 3.97% in accuracy and 3.35% in Macro-F1, validating the effectiveness of TriA$_{\mathrm{GK}}$ and the TriA Pipeline.
- Abstract（参考訳）: 様々なタスクに適用されるオーディオ分類(AC)のための様々なスケールのデータセットがある。
しかし、アノテートされたデータは、国内環境など、ほとんどのシナリオで制限されている。
この課題に対処するために、様々なシナリオからのオーディオをオーディオイベントアノテーションで高品質なトレーニングデータに変換することができる$\textbf{A}$utomatic $\textbf{A}$udio $\textbf{A}$nnotation Pipeline--TriA Pipelineを提案する。
TriAデータセットは、TriA Pipelineで構築され、431のオーディオクラスをカバーする2130時間以上のオーディオであった。
さらに、TriAから事前知識誘導サブセット(TriA$_{\mathrm{GK}}$)を分割し、3つの国内ACタスクの比較実験を行った。
手動でアノテートされたデータと手動でアノテートされたデータを比較すると、TriA$_{\mathrm{GK}}$、TriA$_{\mathrm{GK}}$の平均相対的なゲインは3.97%、Macro-F1では3.35%となり、TriA$_{\mathrm{GK}}$とTriA Pipelineの有効性を検証できる。
関連論文リスト
- Tri-Reader: An Open-Access, Multi-Stage AI Pipeline for First-Pass Lung Nodule Annotation in Screening CT [1.0408458647051342]
Tri-Readerは、肺のセグメンテーション、結節の検出、悪性度分類を統合された三段階ワークフローに統合する、包括的で無償のパイプラインである。
パイプラインは、アノテータの候補負荷を低減しつつ、感度を優先するように設計されている。
論文 参考訳（メタデータ） (2026-01-27T09:05:45Z) - Probabilistically Tightened Linear Relaxation-based Perturbation Analysis for Neural Network Verification [83.25968588249776]
本稿では,LiRPAに基づく手法とサンプリングに基づく手法を組み合わせることで,厳密な中間到達性集合を計算できる新しいフレームワークを提案する。
無視可能な計算オーバーヘッドでは、$textttPT-LiRPA$は推定された到達可能な集合を利用し、ニューラルネットワークの出力の上下線形境界を著しく締め付ける。
論文 参考訳（メタデータ） (2025-07-07T18:45:53Z) - Exploring Meta Information for Audio-based Zero-shot Bird Classification [113.17261694996051]
本研究では,メタ情報を用いてゼロショット音声分類を改善する方法について検討する。
我々は,多種多様なメタデータが利用可能であることから,鳥種を例として用いている。
論文 参考訳（メタデータ） (2023-09-15T13:50:16Z) - Annotation-free Audio-Visual Segmentation [46.42570058385209]
追加の手動アノテーションを使わずにオーディオ・ビジュアル・タスクのための人工データを生成する新しいパイプラインを提案する。
既存の画像セグメンテーションとオーディオデータセットを活用し、画像とマスクのペアをカテゴリラベルを用いて対応するオーディオサンプルとマッチングする。
また,SAMA-AVSの軽量モデルを導入し,AVSタスクに事前訓練されたセグメントの任意のモデル(SAM)を適応させる。
論文 参考訳（メタデータ） (2023-05-18T14:52:45Z) - Efficient Audio Captioning Transformer with Patchout and Text Guidance [74.59739661383726]
本稿では, [1] で提案した Patchout を利用したフルトランスフォーマーアーキテクチャを提案する。
キャプション生成は、事前訓練された分類モデルにより抽出されたテキストオーディオセットタグに部分的に条件付けされる。
提案手法は,DCASE Challenge 2022のタスク6Aで審査員賞を受賞している。
論文 参考訳（メタデータ） (2023-04-06T07:58:27Z) - WavCaps: A ChatGPT-Assisted Weakly-Labelled Audio Captioning Dataset for Audio-Language Multimodal Research [82.42802570171096]
約400kの音声クリップとペアキャプションを組み合わせた,大規模な音声キャプションデータセットであるWavCapsを紹介した。
オンラインハーベストな生の記述は非常にうるさいし、自動音声キャプションなどのタスクで直接使うには適さない。
本稿では,大規模な言語モデルであるChatGPTを用いて,ノイズの多いデータをフィルタリングし,高品質なキャプションを生成するための3段階処理パイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-30T14:07:47Z) - TriDet: Temporal Action Detection with Relative Boundary Modeling [85.49834276225484]
既存の手法はビデオのあいまいな動作境界による不正確な境界予測に悩まされることが多い。
本稿では,その境界付近の相対確率分布を推定して,行動境界をモデル化する新しいトライデントヘッドを提案する。
TriDetは3つの挑戦的なベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-03-13T17:59:59Z) - EfficientLEAF: A Faster LEarnable Audio Frontend of Questionable Use [0.0]
音声分類において、パラメータがほとんどない識別可能な聴覚フィルタバンクは、ハードコードされたスペクトログラムと生オーディオの間の中間領域をカバーする。
LEAF (arXiv:2101.08596), Per-Channel Energy Normalization (PCEN) と組み合わせたGaborベースのフィルタバンクは,有望な結果を示しているが,計算コストが高い。
非均一な畳み込みカーネルサイズとストライドにより、PCENを並列化可能な演算に置き換えることで、より効率的に同様の結果が得られる。
論文 参考訳（メタデータ） (2022-07-12T13:04:37Z)
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。