Skip to Main content Skip to Navigation
New interface
Conference papers

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.
Document type :
Conference papers
Complete list of metadata

https://hal.telecom-paris.fr/hal-03759651
Contributor : Gaël RICHARD Connect in order to contact the contributor
Submitted on : Wednesday, August 24, 2022 - 12:15:11 PM
Last modification on : Tuesday, September 6, 2022 - 3:36:46 AM

File

perera927.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-03759651, version 1

Collections

Citation

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⟩

Share

Metrics

Record views

55

Files downloads

15