| 요약 | • self-supervised classification 기반 접근 방식을 제안 • 분류 task는 기계 id를 식별할 수 있도록 특징을 학습 • 기존 기계에서 데이터를 선형 결합하거나 스펙트로그램을 warping하여 complexity를 높이는 방식을 사용 | | --- | --- | | 연도 | 2020 | | URL | https://www.amazon.science/publications/self-supervised-classification-for-detecting-anomalous-sounds | | 저자 | Ritwik Giri, Srikanth V. Tenneti et al. |

Self-supervised classification for detecting anomalous sounds

<aside> 💡 요약 오디오 신호에서 이상탐지를 위한 새로운 self-supervised classification 프레임워크를 제공

1. 분류 작업은 오디오 파일에 기반한 서로 다른 metadata(i.e., 기계 id)를 활용
2. complexity를 높이기 위해 선형 결합, 오디오 스펙트로그램 warping 등의 synthetic augmentation 사용 (더 세밀한 특징을 학습하기 위함)
3. DCASE 2020 challenge task 2로 검증 </aside>

INTRODUCTION

본 연구의 주요 관심사: 오디오에서의 anomaly detection

초기 연구: supervised 방식의 anomaly detection

→ 대부분의 실제 응용에서는 training time에 모든 가능한 anomaly sound에 접근하는 것이 불가능

즉, nomal sound로만 이루어진 collection에 접근한 다음 훈련 중에 볼 수 없는 이벤트를 anomalous로 구분하는 것이 현실적인 방법

논문에서 제안하는 바

오디오 파일들의 metadata를 기반, self-supervised classification을 수행해 normal 데이터의 compact representation을 학습

• metadata: 마이크 위치/주변 환경 설정 정보/source 자체의 정보 등 다양한 형태를 가질 수 있음. (본 논문에서는 기계 id를 metadata로써 사용)

즉,

1. metadata를 기반으로 normal 데이터의 미세한 representation을 학습해 anomalies를 구분
2. mix-up이나 sepctral warping 등의 augmentations으로 auxiliary classification의 complexity를 증가시켜 미세한 특징을 학습