論文の概要: Enhancing Law-Enforcement Audio Transcription: A LoRA-Based Adaptation of Whisper for BWC Footage
- arxiv url: http://arxiv.org/abs/2607.27245v1
- Date: Mon, 27 Jul 2026 20:03:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.264911
- Title: Enhancing Law-Enforcement Audio Transcription: A LoRA-Based Adaptation of Whisper for BWC Footage
- Title（参考訳）: 法執行音声の書き起こしの強化:BWCフットージにおけるWhisperのロラ適応
- Abstract要約: 現代の警察は、法執行機関がBWC(Body-Worn Camera)の1ペタバイトの映像を保有する「視界のパラドックス」に直面している。
本研究では,OpenAI Whisperアーキテクチャをポーリング環境におけるユニークな音響的・言語的課題に適用するための枠組みを提案する。
- 参考スコア（独自算出の注目度）: 16.690591781198737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern policing faces a "visibility paradox" where law enforcement agencies possess petabytes of Body-Worn Camera (BWC) footage that remains largely unutilized for accountability or systemic review due to the prohibitive labor costs of manual transcription. This research presents a framework for adapting the OpenAI Whisper architecture to the unique acoustic and linguistic challenges of the policing environment. By employing Parameter-Efficient Fine-Tuning (PEFT) through Low-Rank Adaptation (LoRA), we address the significant performance degradation observed in zero-shot models when confronted with high-stress scenarios, sirens, and radio interference. Crucially, we demonstrate that this adaptation is feasible on consumer-grade hardware (Acer Nitro local machine with NVIDIA 4GB GTX GPU) using 8-bit quantization and gradient checkpointing. We further integrate these transcriptions into a symbolic reasoning pipeline using a domain-specific ontology to transform raw audio into evidence-linked incident graphs, achieving a 93.7% lexicon mapping rate for the advancement of procedural justice and transparency.
- Abstract（参考訳）: 現代の警察は「視界のパラドックス」に直面しており、法執行機関は、手書きの労働コストが禁じられているため、説明責任や体系的なレビューのためにほとんど使われていない、ボディー・ウォン・カメラ(BWC)の1ペタバイトの映像を保有している。
本研究では,OpenAI Whisperアーキテクチャをポーリング環境におけるユニークな音響的・言語的課題に適用するための枠組みを提案する。
パラメータ効率のよいファインチューニング(PEFT)をローランド適応(LoRA)に応用することにより、高ストレスシナリオやサイレン、電波干渉に直面する場合、ゼロショットモデルで観測される顕著な性能劣化に対処する。
重要なことに、この適応は8ビット量子化と勾配チェックポイントを用いて、コンシューマグレードのハードウェア(NVIDIA 4GB GTX GPUを搭載したAcer Nitroローカライズマシン)で実現可能であることを実証する。
さらに、これらの転写を、ドメイン固有のオントロジーを用いて象徴的推論パイプラインに統合し、生音声を証拠にリンクされたインシデントグラフに変換し、手続き的正義と透明性の進歩のために93.7%のレキシコンマッピング率を達成する。
関連論文リスト
- BodyCam-VQA: Enhanced Body-Worn Camera Video Captioning via Multimodal Reasoning and Probe Question Generation [23.26155549453316]
本稿では,高精細度法執行のために設計された適応型視覚質問応答(VQA)フレームワークを提案する。
我々のフレームワークは、従来のキャプションシステムがキャプチャーに失敗する、きめ細かい視覚的証拠を抽出する構造的推論手法を採用している。
我々の結果は、このVQA駆動アーキテクチャがより信頼性が高く、客観的で、より詳細な実行イベントの記録を提供することを示した。
論文 参考訳（メタデータ） (2026-09-09T20:37:31Z) - IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。
IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
論文 参考訳（メタデータ） (2026-04-22T03:03:33Z) - Hijacking Large Audio-Language Models via Context-Agnostic and Imperceptible Auditory Prompt Injection [22.306688903148046]
大規模な音声言語モデル(LALM)は、音声とテキストを密に統合することでインテリジェントな音声インタラクションをパワーアップする。
textitAudioHijackは,ハイジャックLALMに対して,文脈に依存しない,知覚不能な音声を生成するフレームワークである。
13種類のLALM実験では、6つのカテゴリーで一貫したハイジャックが行われた。
論文 参考訳（メタデータ） (2026-04-16T04:22:11Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - A Physically-Grounded Attack and Adaptive Defense Framework for Real-World Low-Light Image Enhancement [11.903420482259257]
限られた照明は、しばしば画像の厳しい物理的ノイズと細部劣化を引き起こす。
既存の低光画像強調法(LLIE)は、拡張プロセスをブラインドブラックボックスマッピングとして扱う。
本稿では,物理に基づく攻撃とディスプレイ適応防衛のパラダイムとして概念的に定式化された新しいLLIE手法を提案する。
論文 参考訳（メタデータ） (2026-03-15T09:44:54Z) - Latent-Mark: An Audio Watermark Robust to Neural Resynthesis [62.09761127079914]
Latent-Markはセマンティック圧縮に耐えられるように設計された最初のゼロビットオーディオ透かしフレームワークである。
私たちの重要な洞察は、エンコード-デコードプロセスに対する堅牢性は、不変の潜在空間に透かしを埋め込む必要があるということです。
我々の研究は、ますます複雑で多様な生成歪みをまたいで整合性を維持することができる普遍的な透かしフレームワークに、将来の研究をインスピレーションを与えます。
論文 参考訳（メタデータ） (2026-03-05T15:51:09Z) - Universal Robust Speech Adaptation for Cross-Domain Speech Recognition and Enhancement [24.109107195976346]
URSA-GANは、ノイズおよびチャネル条件のミスマッチを軽減するために設計された、ドメイン対応の生成フレームワークである。
URSA-GANは、ASRの文字誤り率を効果的に低減し、様々なノイズや不一致のチャネルシナリオでSEの指標を改善する。
論文 参考訳（メタデータ） (2026-02-04T08:16:22Z) - CLUE: Leveraging Low-Rank Adaptation to Capture Latent Uncovered Evidence for Image Forgery Localization [35.73353140683283]
画像編集ツールや生成AIのアクセシビリティ向上は、視覚的に説得力のある偽造物の普及につながっている。
本稿では、その内部生成過程を利用して、最先端(SOTA)テキスト・画像合成モデルのメカニズムを再利用する。
本稿では,Low- Rank Adaptation (LoRA) を用いてパラメータ効率よく安定拡散3 (SD3) を法定特徴抽出器として構成するフレームワークであるCLUEを提案する。
論文 参考訳（メタデータ） (2025-08-10T16:22:30Z) - Efficient OpAmp Adaptation for Zoom Attention to Golden Contexts [5.160694566407453]
大規模言語モデル(LLM)は質問応答(QA)タスクにおいて大きな可能性を示している。
彼らのパフォーマンスはノイズの多い参照文書によって妨げられ、しばしば本質的な情報から妨げられる。
動作増幅器 (OpAmp) に動機付け, これらの課題に対処するためのOpAmp適応を提案する。
論文 参考訳（メタデータ） (2025-02-18T03:35:20Z) - Utilizing Multimodal Data for Edge Case Robust Call-sign Recognition and Understanding [65.55175502273013]
アーキテクチャの堅牢性は、特にエッジケースでは明らかです。
マルチモーダルコールサインコマンドリカバリモデル(CCR)を提案する。
CCRアーキテクチャは、エッジケースのパフォーマンスを最大15%向上させる。
論文 参考訳（メタデータ） (2024-12-29T13:45:11Z) - NPVForensics: Jointing Non-critical Phonemes and Visemes for Deepfake
Detection [50.33525966541906]
既存のマルチモーダル検出手法は、Deepfakeビデオを公開するために、音声と視覚の不整合をキャプチャする。
NPVForensics と呼ばれる非臨界音素とビセムの相関関係を抽出する新しいディープフェイク検出法を提案する。
我々のモデルは、微調整で下流のDeepfakeデータセットに容易に適応できる。
論文 参考訳（メタデータ） (2023-06-12T06:06:05Z) - 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)
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。