論文の概要: EquiSELD: Efficient training of equivariant sound event localization and detection networks

• arxiv url: http://arxiv.org/abs/2609.23156v1
• Date: Sat, 19 Sep 2026 17:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.925393
• Title: EquiSELD: Efficient training of equivariant sound event localization and detection networks
• Title（参考訳）: EquiSELD: 同変音事象の局所化と検出ネットワークの効率的な学習
• Abstract要約: 一階のアンビニクス信号は正確なO(3)対称性を示す。 EquiSELDはO(3)不変スカラーと等変強度ベクトルのペアストリームとして1次アンビニクスを処理する。 EquiSELDは、両方のシミュレートされたシーンにおいて、RIRと実世界のサウンドシーンの記録をトレーニングコストのごく一部で比較して、以前の同変ネットワークよりも優れています。
• 参考スコア（独自算出の注目度）: 1.5948860527881505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: First-order Ambisonics (FOA) signals exhibit exact O(3) symmetry: The rotation or reflection of the FOA signal modifies the direction of arrival of the sound sources, while preserving the sound sources themselves. Prior attempts to utilize this spatial symmetry of FOA to improve the efficiency and robustness of sound event detection and localization (SELD) systems either learned only an approximation of the symmetry through rotation-based augmentation or relied on computationally expensive methods to integrate equivariance. Furthermore, prior work focused exclusively on SO(3) equivariance , leaving the potential of incorporating O(3) equivariance for SELD tasks unclear. To address these limitations, we developed EquiSELD. This equivariant attention network processes first-order Ambisonics as paired streams of O(3)-invariant scalars and equivariant intensity vectors, producing an invariant activity magnitude and an equivariant DOA with a Multi-ACCDOA readout. To compare the impact of O(3) versus SO(3)-equivariance, we designed a matched SO(3)-only variant. EquiSELD outperforms prior equivariant networks on both simulated scenes with measured RIRs and recordings of real-world sound scenes at a fraction of the training cost. EquiSELD additionally surpasses the performance of non-equivariant SELD networks of a similar size on the simulated real-world sound scenes and achieves competitive performance on the real-world sound scenes.
• Abstract（参考訳）: FOA信号の回転または反射は、音源自体を保存しながら、音源の到来方向を変更する。 FOAのこの空間対称性を利用して、音事象の検出と局所化(SELD)システムの効率性とロバスト性を改善する試みは、回転ベースの拡張による対称性の近似のみを学習するか、等分散を統合するための計算コストのかかる方法に依存するかのいずれかであった。 さらに、以前の研究はSO(3)等分散にのみ焦点を合わせており、SELDタスクにO(3)等分散を組み込むことの可能性は明らかでない。 これらの制約に対処するため,EquiSELDを開発した。 この等変注意ネットワークは、O(3)不変スカラーと等変強度ベクトルのペアストリームとして第1次アンビニクスを処理し、多量ACCDOA読み出しを伴う不変活性度と同変DOAを生成する。 O(3) と SO(3) の同値性の影響を比較するために, 一致した SO(3) のみの変種を設計した。 EquiSELDは、両方のシミュレートされたシーンにおいて、RIRと実世界のサウンドシーンの記録をトレーニングコストのごく一部で比較して、以前の同変ネットワークよりも優れています。 EquiSELDはまた、シミュレーションされた現実世界のサウンドシーンで同様の大きさの非等価SELDネットワークの性能を上回り、現実のサウンドシーンで競合的なパフォーマンスを達成する。

関連論文リスト

• Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation [51.48086451600577]
  E3Flowは、同変拡散ポリシーの限界に対処する新しいフレームワークである。 安定な多モード同変学習による効率的な整流を初めて統一する。 E3Flowは、最先端の球拡散政策よりも平均的な成功率を3.12%向上させる。
  論文  参考訳（メタデータ） (2026-03-24T14:00:36Z)
• SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing [0.2624902795082451]
  本稿では,3段階の自己教師型ウェーブレットニューラルネットワークSWANについて紹介する。 この考え方は、自己教師付き学習パラダイムを用いて得られた不変かつ共変な特徴から潜在対称性を利用する。 信号対雑音比の異なる2つのベンチマーク合成データセットと3つの実ベンチマークハイパースペクトルデータセットで実験を行った。
  論文  参考訳（メタデータ） (2025-10-26T10:05:48Z)
• Few-shot Implicit Function Generation via Equivariance [70.99528758223401]
  Inlicit Neural Representations (INR) は、連続的な信号を表現するための強力なフレームワークとして登場した。 インプリシット関数生成は、いくつかの例から多様だが機能的に一貫したINR重みを生成することを目的としている。 限られたデータから新しいINRを生成するフレームワークであるEquiGenを提案する。
  論文  参考訳（メタデータ） (2025-01-03T02:23:55Z)
• Approximate Equivariance in Reinforcement Learning [35.04248486334824]
  我々は、強化学習におけるほぼ同変のアルゴリズムを開発した。 その結果, ほぼ同変ネットワークは, 正確な対称性が存在する場合に, 正確に同変ネットワークと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2024-11-06T19:44:46Z)
• ET-SEED: Efficient Trajectory-Level SE(3) Equivariant Diffusion Policy [11.454229873419697]
  複雑なロボット操作タスクにおける動作シーケンスを生成するための効率的な軌道レベルSE(3)同変拡散モデルET-SEEDを提案する。 理論的には同変マルコフ核を拡張し、同変拡散過程の条件を単純化する。 実験により,提案手法の優れたデータ効率と操作能力,および未知の構成に一般化できることが示された。
  論文  参考訳（メタデータ） (2024-11-06T15:30:42Z)
• Equivariant Spatio-Temporal Self-Supervision for LiDAR Object Detection [37.142470149311904]
  本研究では,空間的および時間的拡張を両立させることにより,時間的同変学習の枠組みを提案する。 既存の等変および不変のアプローチを多くの設定で上回る3次元物体検出のための事前学習法を示す。
  論文  参考訳（メタデータ） (2024-04-17T20:41:49Z)
• SE(3) Diffusion Model-based Point Cloud Registration for Robust 6D Object Pose Estimation [66.16525145765604]
  実世界のシナリオにおける6次元オブジェクトポーズ推定のためのSE(3)拡散モデルに基づく点クラウド登録フレームワークを提案する。 提案手法は,3次元登録タスクをデノナイズ拡散過程として定式化し,音源雲の姿勢を段階的に洗練する。 実世界のTUD-L, LINEMOD, およびOccluded-LINEMODデータセットにおいて, 拡散登録フレームワークが顕著なポーズ推定性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:47:26Z)
• Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and Motion Estimation [49.56131393810713]
  本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。 本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
  論文  参考訳（メタデータ） (2023-06-08T22:55:32Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)
• PILOT: Introducing Transformers for Probabilistic Sound Event Localization [107.78964411642401]
  本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。 このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2021-06-07T18:29:19Z)

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。