[論文レビュー] CaR-FOREST: Joint Classification-Regression Decision Forests for Overlapping Audio Event Detection

Huy Phan, Lars Hertel+3 more|arXiv (Cornell University)|Jul 8, 2016

Music and Audio Processing参考文献 13被引用数 10

ひとこと要約

本論文は、重複する音声イベント検出のための統合分類・回帰意思決定森（CaR-FOREST）を提案する。この手法は、正例と負例の音声セグメントを同時に分類し、イベントの発生時刻・終了時刻を回帰することで、複雑な混声状態における特徴の区別能を向上させる。DCASE 2016 Task2の開発データ上で、31.6%のF1スコアと0.8304のセグメントベース誤差率を達成し、ベースラインを上回った。

ABSTRACT

This report describes our submissions to Task2 and Task3 of the DCASE 2016 challenge. The systems aim at dealing with the detection of overlapping audio events in continuous streams, where the detectors are based on random decision forests. The proposed forests are jointly trained for classification and regression simultaneously. Initially, the training is classification-oriented to encourage the trees to select discriminative features from overlapping mixtures to separate positive audio segments from the negative ones. The regression phase is then carried out to let the positive audio segments vote for the event onsets and offsets, and therefore model the temporal structure of audio events. One random decision forest is specifically trained for each event category of interest. Experimental results on the development data show that our systems significantly outperform the baseline on the Task2 evaluation while they are inferior to the baseline in the Task3 evaluation.

研究の動機と目的

• 連続的な音声ストリームにおける重複音声イベントの検出という課題に対処すること。
• 分類と回帰を同時に学習させることで、複雑な混声状態における特徴の区別能を向上させること。
• 回帰に基づく学習によって、音声イベントの時間的構造をモデル化すること。
• 既存のベースラインを上回る性能を示す重複イベント検出システムの開発。
• 複数の同時発生イベントを含む実世界の音声環境でも頑健な検出を可能にすること。

提案手法

• 本システムは、分類と回帰の両タスクを同時に学習させる判別的意思決定森を用いる。
• 分類学習では、重複混声状態からの特徴を判別的に選択し、正例と負例のセグメントを分離する。
• 回帰学習では、正例セグメントが時間的境界に投票することで、イベントの発生時刻と終了時刻をモデル化する。
• 各木の分岐ノードでは、特徴の差分とランダムな閾値を用いたテスト関数に基づき、分類または回帰のどちらかをランダムに選択する。
• 分岐の質は、分類では情報ゲイン、回帰では総距離分散で測定される。
• 過学習を防ぐために無知閾値が適用され、1.0より大きな閾値が許容され、無効な検出を回避する。

実験結果

リサーチクエスチョン

• RQ1 単一タスクの回帰森と比較して、統合分類・回帰学習が重複音声イベント検出に効果をもたらすか。
• RQ2 重複混声状態における判別的特徴選択が分類精度に与える影響は。
• RQ3 回帰ベースの投票が、複雑な混声環境下での音声イベントの時間的構造をどの程度正確にモデル化できるか。
• RQ4 提案手法が、非重複および重複イベント検出の両タスクにおいて、ベースラインシステムを上回るか。
• RQ5 無知閾値機構が、信頼性の低い信頼度スコアの状況でも検出性能の低下を防げるか。

主な発見

• DCASE 2016 Task2の開発データ上で、CaR-FORESTはセグメントベースのF1スコア31.6%、誤差率0.8304を達成し、ベースラインを上回った。
• Task3（ホームシーン）では、平均セグメントベース誤差率1.0449、F1スコア3.6%を達成したが、ベースラインの0.9783と15.9%を下回った。
• Task3（住宅地域）では、平均誤差率1.0576、F1スコア12.9%を達成したが、ベースラインの1.3188と19.8%を下回った。
• 住宅地域のケースでは、誤差率がベースラインより0.2612改善されたが、F1スコアでは依然として劣っていた。
• 両方のTask3テストセットにおいて、システムの性能はベースラインを下回っており、複雑な重複状況への一般化能力に課題があることが示された。
• 110msの平均フィルタで信頼度スコアを平滑化することで、ホームシーンでのロバスト性が向上し、外れ値が減少した。