論文の概要: Metadata-Conditioned Audio Transformers for Adaptive Respiratory Sound Classification
- arxiv url: http://arxiv.org/abs/2611.03769v1
- Date: Mon, 02 Nov 2026 15:53:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 11:07:45.200169
- Title: Metadata-Conditioned Audio Transformers for Adaptive Respiratory Sound Classification
- Title(参考訳): 適応的呼吸音分類のためのメタデータ記述型音響変換器
- Abstract要約: 本稿では,Audio Spectrogram Transformer (AST) のためのメタデータコンディショニング機構のファミリーを提案する。
Token-Aware FiLM (TAFiLM) と Soft-Factorized FiLM (SoftFiLM) の2種類を紹介する。
ICBHIベンチマークの実験では、すべての条件付け戦略に対して一貫した利得が示されている。
- 参考スコア(独自算出の注目度): 1.1470070927586018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Respiratory sound classification from auscultation recordings is confounded by heterogeneous acquisition conditions, including recording device, auscultation site, and patient characteristics, that introduce systematic variability unrelated to the underlying pathology. Although such metadata is often available, existing approaches either ignore it or rely on naïve fusion strategies that do not model how distinct metadata sources influence different components of the acoustic representation. We propose a family of metadata-conditioning mechanisms for the Audio Spectrogram Transformer (AST), progressing from gated residual fusion to Feature-wise Linear Modulation (FiLM) adapted to the Transformer architecture. We further introduce two novel variants: Token-Aware FiLM (TAFiLM), which applies distinct modulation to classification and patch tokens, and Soft-Factorized FiLM (SoftFiLM), which learns soft masks to align metadata factors with disentangled feature subspaces. Experiments on the ICBHI benchmark demonstrate consistent gains across all conditioning strategies. SoftFiLM achieves 64.11% on the official 4-class task (+3.94% over the baseline) and 72.40% on the 2-class task, establishing a new state-of-the-art on the 2-class task and competitive performance on the 4-class benchmark.
- Abstract(参考訳): 聴診記録からの呼吸音の分類は、記録装置、聴診部位、患者特性を含む異種取得条件によって構築され、基礎疾患とは無関係な系統的変動をもたらす。
このようなメタデータはしばしば利用可能であるが、既存のアプローチはそれを無視するか、異なるメタデータソースが音響表現の異なるコンポーネントにどのように影響するかをモデル化しないネーブ融合戦略に依存している。
本稿では,Audio Spectrogram Transformer (AST) のメタデータコンディショニング機構のファミリーを提案する。
さらに、分類とパッチトークンに異なる変調を施したToken-Aware FiLM (TAFiLM) と、ソフトマスクを学習して、メタデータ要素を不整形特徴部分空間と整合させるSoftFiLM (SoftFiLM) の2つの新しいバリエーションを紹介した。
ICBHIベンチマークの実験では、すべての条件付け戦略に対して一貫した利得が示されている。
SoftFiLMは公式の4クラスタスクで64.11%(ベースラインで+3.94%)、2クラスタスクで72.40%を達成した。
関連論文リスト
- 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) - MoLT: Mixture of Layer-Wise Tokens for Efficient Audio-Visual Learning [38.95630141905818]
Mixture of Layer-Wise Tokens (MoLT) は、オーディオ視覚学習のためのパラメータおよびメモリ効率の適応フレームワークである。
我々は,2種類のアダプタを用いて,モダリティ固有情報と相互モーダル相互作用を層単位でコンパクトな潜在トークンに蒸留する。
トークン融合モジュールは、それらの相対的な重要性を考慮して、これらのレイヤワイズトークンを動的に融合する。
論文 参考訳(メタデータ) (2025-11-27T14:32:55Z) - High-Quality Sound Separation Across Diverse Categories via Visually-Guided Generative Modeling [65.02357548201188]
DAVIS(Diffusion-based Audio-VIsual separation framework)を提案する。
本フレームワークは、混合音声入力と関連する視覚情報に基づいて、ノイズ分布から直接、所望の分離音スペクトルを合成することによって機能する。
論文 参考訳(メタデータ) (2025-09-26T08:46:00Z) - Synthio: Augmenting Small-Scale Audio Classification Datasets with Synthetic Data [69.7174072745851]
音声分類データセットを合成データで拡張する新しい手法であるSynthioを提案する。
最初の課題を克服するために、好みの最適化を用いて、T2Aモデルの世代と小規模データセットを整列する。
2つ目の課題に対処するために,大規模言語モデルの推論能力を活用する新しいキャプション生成手法を提案する。
論文 参考訳(メタデータ) (2024-10-02T22:05:36Z) - D4AM: A General Denoising Framework for Downstream Acoustic Models [45.04967351760919]
音声強調(SE)は、自動音声認識(ASR)システムを支援するフロントエンド戦略として用いられる。
既存のSE手法の訓練目的は、未知のASRシステムに向けたトレーニングのために、音声テキストとノイズクリーンなペアデータを統合するのに完全には有効ではない。
そこで我々は,様々な下流音響モデルのための一般的なデノベーションフレームワークD4AMを提案する。
論文 参考訳(メタデータ) (2023-11-28T08:27:27Z) - 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) - Transformer-based Sequence Labeling for Audio Classification based on
MFCCs [0.0]
本稿では,MFCCを用いた音声分類のためのトランスフォーマーエンコーダモデルを提案する。
モデルはESC-50、Speech Commands v0.02、UrbanSound8kのデータセットに対してベンチマークされ、高いパフォーマンスを示している。
モデルは127,544の合計パラメータで構成されており、オーディオ分類タスクでは軽量だが高効率である。
論文 参考訳(メタデータ) (2023-04-30T07:25:43Z) - Environmental sound analysis with mixup based multitask learning and
cross-task fusion [0.12891210250935145]
音響シーン分類と音響イベント分類は 密接に関連している2つの課題です
本書では,上記の課題に対して二段階法を提案する。
提案手法は,音響シーンと音響イベント分類の相補的特徴を確認した。
論文 参考訳(メタデータ) (2021-03-30T05:11:53Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳(メタデータ) (2020-07-09T08:32:06Z)
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。