Impact de perturbations internes sur l'entraînement de réseaux profonds pour la détection d'évènements sonores - Laboratoire Traitement et Communication de l'Information Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Impact de perturbations internes sur l'entraînement de réseaux profonds pour la détection d'évènements sonores

Résumé

-L'apprentissage d'invariants est une méthode d'entraînement prometteuse pour les réseaux de neurones profonds, puisqu'elle permet à la fois de pallier le manque de diversité des bases de données disponibles, et de rendre les modèles entraînés plus interprétables. En pratique, l'apprentissage d'invariants passe souvent par l'utilisation d'augmentations de données et de coûts de consistance pénalisant la sensibilité d'un modèle à ces augmentations. Il n'existe cependant pas de consensus concernant la sélection de ces augmentations pour une tâche cible. Cet article étudie l'impact de plusieurs types d'augmentations sur l'entraînement d'un modèle de l'état de l'art, dans le cadre de la détection et de la classification d'évènements sonores. Nous montrons en particulier que la perturbation des représentations internes d'un réseau de neurones profond est bénéfique pour cette tâche.
Fichier principal
Vignette du fichier
perera927.pdf (160.78 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03759651 , version 1 (24-08-2022)

Identifiants

  • HAL Id : hal-03759651 , version 1

Citer

David Perera, Slim Essid, Gael Richard. Impact de perturbations internes sur l'entraînement de réseaux profonds pour la détection d'évènements sonores. Colloque Francophone de Traitement du Signal et des Images (GRETSI), Sep 2022, Nancy, France. ⟨hal-03759651⟩
121 Consultations
72 Téléchargements

Partager

Gmail Facebook X LinkedIn More