論文の概要: RAST: Resolution-Aware Privileged Structure Transfer for Low-Resolution Audio Activity Recognition

• arxiv url: http://arxiv.org/abs/2609.38780v1
• Date: Wed, 30 Sep 2026 02:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.014923
• Title: RAST: Resolution-Aware Privileged Structure Transfer for Low-Resolution Audio Activity Recognition
• Title（参考訳）: RAST:低分解能音声活動認識のための高分解能高次構造伝達
• Abstract要約: 低解像度(LR)オーディオは、よりプライバシー保護とリソース効率のよい代替手段を提供する。 本稿では,HR 教師表現を圧縮する解像度対応トランスファーフレームワーク RAST を提案する。 SAMoSAデータセットとAudioIMUデータセットの実験では、RASTはLRのみのトレーニングと直接教師の移動ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 11.109395244887315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio is increasingly used for human activity recognition (HAR) because it captures object interactions, environmental events, and contextual cues in everyday environments. High-resolution (HR) audio provides rich acoustic information for model development but incurs substantial energy and storage costs and may expose sensitive speech content. Low-resolution (LR) audio offers a more privacy-preserving and resource-efficient alternative for deployment, but reduced sampling rates can remove acoustic cues essential for activity recognition, leading to significant performance degradation. We formulate this training-deployment mismatch as sensor-resolution privileged learning, in which HR audio is available during training, while inference relies exclusively on LR audio. We propose RAST, a resolution-aware transfer framework that compresses HR teacher representations by preserving token-level information and neighborhood structure before performing localized HR-LR alignment. Experiments on the SAMoSA and AudioIMU datasets show that RAST consistently outperforms LR-only training and direct teacher-transfer baselines, improving LR-only recognition by up to approximately 7.8% while requiring only LR audio at inference.
• Abstract（参考訳）: 音声は、日常環境におけるオブジェクトの相互作用、環境イベント、文脈的手がかりをキャプチャするので、ヒューマンアクティビティ認識(HAR)にますます使われるようになっている。 高分解能(HR)オーディオは、モデル開発に豊富な音響情報を提供するが、かなりのエネルギーと保存コストがかかり、センシティブな音声コンテンツが露出する可能性がある。 低解像度(LR)オーディオは、よりプライバシー保護とリソース効率の代替手段を提供するが、サンプリングレートの低減により、アクティビティ認識に不可欠な音響的手がかりが取り除かれ、パフォーマンスが著しく低下する。 我々は、このトレーニング/デプロイミスマッチを、トレーニング中にHRオーディオが利用可能となるセンサレゾリューション特権学習として定式化し、推論はLRオーディオにのみ依存する。 本稿では,HR-LRアライメントを行う前に,トークンレベル情報と近傍構造を保存することでHR教師表現を圧縮する解像度対応トランスファーフレームワークであるRATを提案する。 SAMoSAとAudioIMUデータセットの実験では、RASTはLRのみのトレーニングと直接教師のみのベースラインを一貫して上回り、LRのみの認識を最大7.8%改善し、推論時にのみLRオーディオを必要とする。

関連論文リスト

• Omni-AVSR: Towards Unified Multimodal Speech Recognition with Large Language Models [34.15708407614003]
  大規模言語モデル(LLM)は、最近、複数のモーダルをまたいだ音声認識において、印象的な成果を上げている。 Omni-AVSRは,マルチグラニュラリティ学習とパラメータ効率の両立を両立した統合型音声視覚LLMである。 LRS2 と LRS3 の実験では、Omni-AVSR は最先端のベースラインと同等または優れた精度で達成されている。
  論文  参考訳（メタデータ） (2025-11-10T16:03:44Z)
• Fun-ASR Technical Report [89.84148151617022]
  本稿では,大規模データ,大規模モデル容量,LLM統合,強化学習を組み合わせた大規模ALSシステムFun-ASRを提案する。 Fun-ASRは特に実用的なデプロイメントに最適化されており、ストリーミング機能、ノイズの堅牢性、コードスイッチング、ホットワードのカスタマイズ、その他の現実世界のアプリケーション要件を満たすことができる。 運用指向の最適化により、Fun-ASRは実際のアプリケーションデータセット上での最先端のパフォーマンスを実現し、実用的設定におけるその有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-09-15T23:19:36Z)
• Large Language Models are Strong Audio-Visual Speech Recognition Learners [53.142635674428874]
  マルチモーダル・大規模言語モデル(MLLM)は,近年,多モーダル理解能力の強化により,研究の焦点となっている。 本稿では,Llama-AVSRを提案する。 我々は,最大公的なAVSRベンチマークであるLSS3に対する提案手法を評価し,WERが0.79%,AVSRが0.77%であるASRとAVSRのタスクに対して,新しい最先端の結果が得られることを示した。
  論文  参考訳（メタデータ） (2024-09-18T21:17:27Z)
• Audio Enhancement for Computer Audition -- An Iterative Training Paradigm Using Sample Importance [42.90024643696503]
  音声強調のためのモデルを協調的に最適化するエンド・ツー・エンドの学習ソリューションを提案する。 トレーニングパラダイムを評価するための4つの代表的なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2024-08-12T16:23:58Z)
• Exploring the Integration of Speech Separation and Recognition with Self-Supervised Learning Representation [83.36685075570232]
  本研究は,ASRフロントエンドとしての残響・雑音・残響シナリオにおける音声分離に関する洞察に富んだ研究である。 我々は,マルチチャネル分離法,マスクベースのビームフォーミング,複雑なスペクトルマッピング,およびASRバックエンドモデルで使用する最良の特徴について検討する。 TF-GridNetベースの複素スペクトルマッピングとWavLMベースのSSLRを併用することで、残響WHAMRテストセットにおいて2.5%のワードエラー率が得られる。
  論文  参考訳（メタデータ） (2023-07-23T05:39:39Z)
• Efficient acoustic feature transformation in mismatched environments using a Guided-GAN [1.495380389108477]
  本稿では,資源共有環境における音声認識システムを改善するための新しいフレームワークを提案する。 音響入力機能を利用したGAN(Generative Adversarial Network)を用いて、ミスマッチしたデータの特徴を高める。 1時間未満のデータで、高品質なデータに基づいて訓練され、一致しないオーディオで評価されたASRシステムは、11.5%から19.7%の相対的な単語誤り率(WER)によって改善される。
  論文  参考訳（メタデータ） (2022-10-03T05:33:28Z)
• Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
  実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。 雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。 ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2021-10-28T20:39:02Z)

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。