Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2410.00511

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2410.00511 (eess)
[提交于 2024年10月1日 ]

标题: 使用合成模式的预训练用于音频

标题: Pre-training with Synthetic Patterns for Audio

Authors:Yuchi Ishikawa, Tatsuya Komatsu, Yoshimitsu Aoki
摘要: 本文中,我们提议使用合成模式而非真实音频数据来预训练音频编码器。 我们提出的框架包含两个关键元素。 第一个是掩码自动编码器(MAE),这是一种自监督学习框架,通过从随机屏蔽的对应部分重建数据来学习。 MAEs 倾向于关注低级信息,如数据中的视觉模式和规律性。 因此,输入内容是什么并不重要,无论是图像、音频梅尔频谱图,甚至是合成模式。 这引出了第二个关键元素,即合成数据。 与真实音频不同,合成数据不存在隐私和许可侵权问题。 通过结合 MAEs 和合成模式,我们的框架使模型能够在没有真实数据的情况下学习通用特征表示,同时解决了与真实音频相关的问题。 为了评估我们框架的有效性,我们在总共 13 个音频任务和 17 个合成数据集上进行了广泛的实验。 这些实验提供了关于哪种类型的合成模式对音频有效的见解。 我们的结果显示,我们的框架在性能上可以媲美在 AudioSet-2M 上预训练的模型,并且在某些方面超过了基于图像的预训练方法。
摘要: In this paper, we propose to pre-train audio encoders using synthetic patterns instead of real audio data. Our proposed framework consists of two key elements. The first one is Masked Autoencoder (MAE), a self-supervised learning framework that learns from reconstructing data from randomly masked counterparts. MAEs tend to focus on low-level information such as visual patterns and regularities within data. Therefore, it is unimportant what is portrayed in the input, whether it be images, audio mel-spectrograms, or even synthetic patterns. This leads to the second key element, which is synthetic data. Synthetic data, unlike real audio, is free from privacy and licensing infringement issues. By combining MAEs and synthetic patterns, our framework enables the model to learn generalized feature representations without real data, while addressing the issues related to real audio. To evaluate the efficacy of our framework, we conduct extensive experiments across a total of 13 audio tasks and 17 synthetic datasets. The experiments provide insights into which types of synthetic patterns are effective for audio. Our results demonstrate that our framework achieves performance comparable to models pre-trained on AudioSet-2M and partially outperforms image-based pre-training methods.
评论: 提交至ICASSP'25
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2410.00511 [eess.AS]
  (或者 arXiv:2410.00511v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2410.00511
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yuchi Ishikawa [查看电子邮件]
[v1] 星期二, 2024 年 10 月 1 日 08:52:35 UTC (2,049 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-10
切换浏览方式为:
cs
cs.AI
cs.CV
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号