PSLA: تحسين التصنيف الصوتي من خلال التدريب المسبق، والعينة، والتصنيف، والتجميع

يُعدّ التصنيف الصوتي مجالًا بحثيًا نشطًا ويتمتع بتطبيقات واسعة النطاق. وبمجرد إصدار مجموعة بيانات AudioSet، تم تحقيق تقدم كبير في تحسين أداء النماذج، والذي نتج في الغالب عن تطوير هياكل نماذج جديدة ووحدات الانتباه. ومع ذلك، نلاحظ أن تقنيات التدريب المناسبة تُعدّ متساوية الأهمية في بناء نماذج تصنيف صوتي باستخدام AudioSet، لكنها لم تحظَ بالاهتمام الكافي. ولسد هذا الفجوة، نقدم في هذه الدراسة PSLA، وهي مجموعة من تقنيات التدريب التي تُحدث فرقًا ملحوظًا في دقة النموذج، بما في ذلك التدريب المسبق على ImageNet، والعينة المتوازنة، وتكبير البيانات، وتحسين التسميات، والتجميع النموذجي، إلى جانب خيارات التصميم المرتبطة بها. وباستخدام هذه التقنيات لتدريب نموذج EfficientNet، نحصل على نموذج فردي (بعدد 13.6 مليون معلمة) ونموذج مجمّع، يحققان مؤشري دقة المتوسط الحسابي للوسم (mAP) على AudioSet بقيمتين 0.444 و0.474 على التوالي، متفوقين على أفضل نظام سابق بقيمة 0.439 مع 81 مليون معلمة. علاوةً على ذلك، يحقق نموذجنا أيضًا أفضل أداء مُحَسَّنًا على FSD50K بقيمة mAP تبلغ 0.567.