| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2021-08-23 13:25 正常データの分散を考慮した深層距離学習に基づく教師なし異常音検知における転移学習の検討 ○成田泰基・玉森 聡（愛知工大）  SIP2021-28 |
|
| 抄録 | （和） | 近年，コンピュータビジョン分野における異常検知研究では，転移学習を用いた手法が注目されている． 転移学習により，画像など高次元のメディアデータを対象とする深層学習モデルの訓練時間を大幅に削減することが可能であり，また訓練データが少ない状況下でも異常検知モデルを運用できる利点がある． しかしながら，音響データを対象とする異常音検知に事前学習済みモデルを活用した研究事例は少なく，モデル構造および損失関数の設計には検討の余地があった． そこで本研究では，異常音検知のための転移学習の活用に関して，事前学習済みモデルによって抽出された正常データ群の分散を距離学習により抑えることで，異常音検知の精度向上を図る手法を提案する． 提案する手法では，音響データで事前学習されたResNetの中間層から音響特徴を抽出し，後段の距離学習モデルで学習・推論することで異常音検知を行う． また，DCASE Challenge2020 Task2データセットに対して転移学習による特徴抽出を適用し，提案手法を含む複数の異常検知モデルで評価実験を行った． 実験の結果，変分オートエンコーダやマハラノビス距離に基づく異常検知手法と比較して，提案手法がより高い検知精度を得たことで，有効性が示された． |
| （英） | In recent years, anomaly detection research in the field of computer vision has focused on methods based on transfer learning. Transfer learning can significantly reduce the training time of deep learning models for high-dimensional media data such as images, and has the advantage that anomaly detection models can be operated even when there is little training data. However, there have been few studies on the use of pre-trained models for acoustic anomaly detection, and the design of the model structure and loss function has not been investigated. In this study, we propose a method to improve the accuracy of anomalous sound detection by suppressing the variance of normal data extracted by the pre-trained model using distance learning. In the proposed method, acoustic features are extracted from the middle layer of ResNet, which is pre-trained with acoustic data, and are trained and inferred by the distance learning model in the later stage to detect anomlous sounds. We also applied feature extraction by transfer learning to the DCASE Challenge2020 Task2 dataset, and conducted evaluation experiments with several anomaly detection models including the proposed method. The experimental results show that the proposed method is more effective than the variational autoencoders and the Mahalanobis distance-based anomaly detection methods in achieving higher detection accuracy. | |
| キーワード | （和） | 異常音検知 / 教師なし学習 / 転移学習 / 深層距離学習 / / / / |
| （英） | Anomalous sound detection / Unsupervised learning / Transfer learning / Deep metric Learning / / / / | |
| 文献情報 | 信学技報, vol. 121, no. 144, SIP2021-28, pp. 5-10, 2021年8月. | |
| 資料番号 | SIP2021-28 | |
| 発行日 | 2021-08-16 (SIP) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | SIP2021-28 |
|
| 研究会情報 | |
| 研究会 | SIP |
| 開催期間 | 2021-08-23 - 2021-08-24 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 数理，学習，信号処理一般（画像・音声音響・通信・実現システム・基礎等) |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SIP |
| 会議コード | 2021-08-SIP |
| 本文の言語 | 日本語 |
| タイトル（和） | 正常データの分散を考慮した深層距離学習に基づく教師なし異常音検知における転移学習の検討 |
| サブタイトル（和） | |
| タイトル（英） | A study on transfer learning in unsupervised anomalous sound detection based on deep metric learning considering variance of normal data |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 異常音検知 / Anomalous sound detection |
| キーワード(2)（和/英） | 教師なし学習 / Unsupervised learning |
| キーワード(3)（和/英） | 転移学習 / Transfer learning |
| キーワード(4)（和/英） | 深層距離学習 / Deep metric Learning |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 成田 泰基 / Hiroki Narita / ナリタ ヒロキ |
| 第1著者 所属（和/英） | 愛知工業大学 (略称： 愛知工大) Aichi Institute Of Technology (略称： AIT) |
| 第2著者 氏名（和/英/ヨミ） | 玉森 聡 / Akira Tamamori / タマモリ アキラ |
| 第2著者 所属（和/英） | 愛知工業大学 (略称： 愛知工大) Aichi Institute Of Technology (略称： AIT) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-08-23 13:25:00 |
| 発表時間 | 25分 |
| 申込先研究会 | SIP |
| 資料番号 | SIP2021-28 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | no.144 |
| ページ範囲 | pp.5-10 |
| ページ数 | 6 |
| 発行日 | 2021-08-16 (SIP) |
[研究会発表申込システムのトップページに戻る]