文献

J-GLOBAL ID：202002267515043376   整理番号：20A1612955

弱ラベル付き半教師付き音事象検出のための誘導学習【JST・京大機械翻訳】

Guided Learning for Weakly-Labeled Semi-Supervised Sound Event Detection

著者 (4件)： Lin Liwei (Institute of Computing Technology, Chinese Academy of Sciences,Bejing Key Laboratory of Mobile Computing and Pervasive Device,Beijing,China) ,  Wang Xiangdong (Institute of Computing Technology, Chinese Academy of Sciences,Bejing Key Laboratory of Mobile Computing and Pervasive Device,Beijing,China) ,  Liu Hong (Institute of Computing Technology, Chinese Academy of Sciences,Bejing Key Laboratory of Mobile Computing and Pervasive Device,Beijing,China) ,  Qian Yueliang (Institute of Computing Technology, Chinese Academy of Sciences,Bejing Key Laboratory of Mobile Computing and Pervasive Device,Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICASSP  ページ： 626-630  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 弱いラベル付き半教師つき音事象検出(SED)のための誘導学習と呼ばれる簡単で効率的な方法を提案した。弱ラベル化SED:オーディオ標識と境界検出に暗示された2つのサブターゲットがある。2つのサブターゲット間のトレードオフを考慮することによって単一モデルを設計する代わりに,著者らは,非ラベルデータを使用して学習するための境界検出を狙った学生モデルを誘導するために,オーディオ標識を狙った教師モデルを設計した。誘導は2つのモデルのオーディオ標識性能ギャップによって保証される。一方,トレードオフから解放された学生モデルは,より優れた境界検出結果を提供できる。時間圧縮スケールと2つのサブターゲットの間の関係に基づいて,そのような2つのモデルを設計する原理を提案した。また,これら2つのモデルに対するエンドツーエンド半教師つき学習プロセスを提案し,それらの能力を交互に上昇させる能力を可能にした。DCASE2018タスク4データセットに関する実験は,著者らのアプローチが競合性能を達成することを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  *音響 ,  時間圧伸 ,  オーディオ機器 ,  エンドツーエンド方式
準シソーラス用語： *イベント検出 ,  半教師つき学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： ラベル ,  教師 ,  事象検出 ,  誘導 ,  学習