論文の概要: Can Tokens Compete? Token Representations against Supervised CNN Backbones for BirdCLEF+ 2026

• arxiv url: http://arxiv.org/abs/2607.14474v1
• Date: Thu, 16 Jul 2026 01:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.951195
• Title: Can Tokens Compete? Token Representations against Supervised CNN Backbones for BirdCLEF+ 2026
• Title（参考訳）: トークンは勝てるか?BirdCLEF+2026の監督されたCNNバックボーンに対するトークン表現
• Abstract要約: 本稿では,パンタナル湿原の音環境における動物声のマルチラベル検出に対するDS@GT ARCチームのアプローチについて詳述する。 2026年版では、ラベル付きサウンドスケープが約1時間追加され、ラベル付きセットに適合する教師付きパイプラインへとタスクをシフトした。
• 参考スコア（独自算出の注目度）: 0.04014524824655105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper details the DS@GT ARC team's approach to BirdCLEF+ 2026, multi-label detection of animal vocalizations in soundscapes from the Pantanal wetlands. The 2026 edition adds about an hour of labeled soundscapes, shifting the task toward supervised pipelines fit to the labeled set. First, we build a competitive supervised baseline that ensembles a frozen Perch v2 backbone, a trained HGNetV2-B0 sound-event-detection network, and a non-bird prototypical head, reaching a private leaderboard score of 0.936 at rank 1894 within a 90-minute CPU budget. Second, we ask whether token-based representations can compete, contrasting codec representations from neural audio codecs against semantic representations from foundational embeddings. We compare two bioacoustic specialist models against four token-based encoders trained on AudioSet. The repository for this work can be found at https://github.com/dsgt-arc/birdclef-2026.
• Abstract（参考訳）: 本稿では, DS@GT ARCチームのBirdCLEF+2026へのアプローチを詳述する。 2026年版では、ラベル付きサウンドスケープが約1時間追加され、ラベル付きセットに適合する教師付きパイプラインへとタスクをシフトした。 まず,凍結したPerch v2のバックボーン,訓練されたHGNetV2-B0サウンドイベント検出ネットワーク,非バードプロトタイプヘッドを組み込んだ,競争力のあるベースラインを構築する。 第二に、トークンベースの表現が競合するかどうかを問うとともに、ニューラルネットワークのコーデックと基本埋め込みのセマンティック表現を対比する。 生体音響スペシャリストモデルとAudioSetで訓練された4つのトークンベースのエンコーダを比較した。 この作業のリポジトリはhttps://github.com/dsgt-arc/birdclef-2026にある。

関連論文リスト

• StreamVoiceAnon+: Emotion-Preserving Streaming Speaker Anonymization via Frame-Level Acoustic Distillation [56.49717639074325]
  ストリーミング話者匿名化(SA)における感情コンテンツ保存の課題に対処する。 音響トークン隠蔽状態におけるフレームレベルの感情蒸留と同一話者からのニュートラル感情発話対を用いた教師付き微調整を提案する。 VoicePrivacy 2024プロトコルでは、49.2%のUAR(感情保存)と5.77%のWER(インテリジェンス)を実現している。
  論文  参考訳（メタデータ） (2026-03-06T09:30:20Z)
• Representation-Regularized Convolutional Audio Transformer for Audio Understanding [53.092757178419355]
  スクラッチからのブートストラップ表現は計算に高価で、しばしば収束するために広範囲のトレーニングを必要とします。 本稿では,これらの課題に対処するための統合フレームワークであるConvolutional Audio Transformer (CAT)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:16:19Z)
• WhAM: Towards A Translative Model of Sperm Whale Vocalization [13.010496613738807]
  音声プロンプトから合成精子クジラコーダを生成できる最初のトランスフォーマーモデルであるWhAMについて述べる。 WhAMは、音楽オーディオで事前訓練されたマスク付き音響トークンモデルであるVampNetを微調整することによって構築される。 Fréchet Audio Distance を用いて WhAM 合成コーダの評価を行い, 海洋生物学者を対象とした知覚学的研究を行った。
  論文  参考訳（メタデータ） (2025-12-01T20:53:15Z)
• Audio-JEPA: Joint-Embedding Predictive Architecture for Audio Representation Learning [17.553278541645927]
  Audio-JEPAは、生の音声を再構成するのではなく、マスク付きスペクトログラムパッチの潜時表現を予測する。 メログラムにランダムなパッチマスキングを施した未ラベルのAudioSetクリップ(10s, 32kHz)を事前トレーニングした。 その結果、トレーニングデータの5分の1未満を使用しながら、wav2vec 2.0とdata2vecに匹敵するパフォーマンスを示した。
  論文  参考訳（メタデータ） (2025-06-25T08:38:27Z)
• The NPU-HWC System for the ISCSLP 2024 Inspirational and Convincing Audio Generation Challenge [12.862628838633396]
  本稿では,ISCSLP 2024 Inspirational and Convincing Audio Generation Challenge 2024(ICAGC)に提出されたNPU-HWCシステムについて述べる。 本システムは,トラック1の音声生成装置とトラック2の音声生成装置の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-10-31T10:58:59Z)
• vec2wav 2.0: Advancing Voice Conversion via Discrete Token Vocoders [26.00129172101188]
  音声変換(VC)を向上する新しい音声離散トークンボコーダ vec2wav 2.0 を提案する。 我々は、音声の自己教師型モデルからの離散トークンをソース音声のコンテンツ特徴として使用し、VCをインシデントヴォコーディングタスクとして扱う。 vec2wav 2.0はモノリンガルコーパスのみをトレーニングしても、競争力のあるクロスランガルVCを実現する。
  論文  参考訳（メタデータ） (2024-09-03T15:41:07Z)
• WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling [63.8735398698683]
  言語モデルの重要な構成要素は、高次元の自然信号を低次元の離散トークンに圧縮するトークン化器である。 本稿では,従来の音響領域におけるSOTA音響モデルよりもいくつかの利点があるWavTokenizerを紹介する。 WavTokenizerは、優れたUTMOSスコアを持つ最先端の再構築品質を実現し、本質的によりリッチなセマンティック情報を含んでいる。
  論文  参考訳（メタデータ） (2024-08-29T13:43:36Z)
• Separating the "Chirp" from the "Chat": Self-supervised Visual Grounding of Sound and Language [77.33458847943528]
  DenseAVは、ビデオ視聴のみで高解像度、意味論的、音声視覚的に整合した特徴を学習する、新しいデュアルエンコーダ基盤アーキテクチャである。 そこで本研究では,DenseAVによる単語の「意味」と音の「位置」の特定が可能であることを明らかにした。
  論文  参考訳（メタデータ） (2024-06-09T03:38:21Z)
• AudioInceptionNeXt: TCL AI LAB Submission to EPIC-SOUND Audio-Based-Interaction-Recognition Challenge 2023 [5.0169092839789275]
  本稿では,2023年のEpic-Kitchen EPIC-SOUNDS Audio-Based Interaction Recognition Challengeへの参加について述べる。 課題は、音声サンプルから対応するアクションラベルへのマッピングを学習することである。 我々のアプローチは、挑戦テストセットで55.43%の正確さを達成し、公衆のリーダーボードで1位にランクインした。
  論文  参考訳（メタデータ） (2023-07-14T10:39:05Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Generating Visually Aligned Sound from Videos [83.89485254543888]
  自然ビデオから音を生成するタスクに焦点をあてる。 音は時間的にも内容的にも視覚信号と一致しているべきです。 カメラの外部で発生する音は、ビデオコンテンツから推測することはできない。
  論文  参考訳（メタデータ） (2020-07-14T07:51:06Z)

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。