Ger?uscherkennung mit begrenzter ?berwachung über Sensornetzwerke

Eine Diskrepanz zwischen der Statistik der Trainings- und der Testdaten kann zu einer erheblichen Verschlechterung der Leistung von Systemen für maschinelles Lernen führen. Bei der Erkennung von Ger?uschen in akustischen Sensornetzen (ASN) ist dies aufgrund der gro?en Anzahl und Variabilit?t von Ger?uschen und akustischen Umgebungen sowie aufgrund der gro?en Vielfalt von Sensorstandorten und geometrischen Konfigurationen, die auftreten k?nnen, ein erhebliches Problem. Aus diesem Grund werden bestehende Datenbanken für die Ger?uscherkennung fast nie perfekt auf eine konkrete Zielanwendung in akustischen Sensornetzen zugeschnitten sein. Das Hauptziel dieses Projekts besteht darin, Techniken zu entwickeln, die es erm?glichen, verfügbare Ressourcen für die Entwicklung von leistungsstarken akustischen Ereignis- und Szenenklassifikatoren für eine bestimmte Zielanwendung in einem ASN zu nutzen. Bei diesen verfügbaren Ressourcen handelt es sich zum einen um schwach gelabelte Daten (Daten, die nur mit der Ereignisklasse, nicht aber mit zeitlichen On/Offset-Informationen annotiert sind), die aus einer anderen Dom?ne stammen als die Zieldom?ne, für die eine Anwendung entwickelt werden soll. Andererseits gehen wir davon aus, dass viele unmarkierte Audioaufnahmen aus der Zieldom?ne zur Verfügung stehen. Wir werden Techniken entwickeln, um starke Kennzeichnungen zu berechnen (Ereigniskategorie plus Einschalt- und Ausschaltzeiten), um dom?neninvariante Merkmale zu berechnen und um eine Dom?nenanpassung durchzuführen. Die wichtigste Methodik werden tiefe generative Modelle verwendet.