[论文阅读]FINE-TUNE THE PRETRAINED ATST MODEL FOR SOUND EVENT DETECTION

摘要
本研究提出了一种微调预训练模型ATST（音频师生转换模型）的方法，用于声音事件检测（SED）。通过引入ATST-Frame模型，该方法在DCASE挑战任务4数据集上取得了新的SOTA结果，有效解决了预训练模型在声音事件检测中过拟合的问题。

主要内容
1.背景介绍

• 声音事件检测（SED）旨在检测音频流中的声音事件并标注其发生时间。
• 由于数据标注成本高，SED系统常面临数据不足的问题。
• 现有的SED系统引入了自监督学习（SelfSL）模型以缓解这一问题，但大多数系统将预训练模型视为冻结的特征提取器，微调预训练模型的研究较少。

2.研究目标
研究和提出一种微调预训练模型的方法，用于提高SED性能。
3.方法介绍

• 基线系统：DCASE2023挑战任务4的基线系统采用了预训练的BEATs模型与CRNN（卷积循环神经网络）结合，提供了全局频谱特征。
• 新模型：提出了ATST-Frame模型，专为学习音频信号的帧级表示设计，并在多个下游任务中获得了SOTA性能。
• 微调策略：提出了一种两阶段的微调方法：
  第一阶段：冻结ATST-Frame模型，训练CRNN。
  第二阶段：联合微调ATST-Frame和CRNN，主要依赖无监督损失以避免过拟合。

4.实验结果

• 数据集：使用DESED数据集进行实验，包含弱标注、强标注和未标注数据。
• 结果比较：提出的ATST-SED模型在DCASE2023挑战任务4数据集上取得了新的SOTA结果，超过了现有的SED系统。
• 消融研究：各个模块对模型性能均有积极影响，且相互兼容。 结论

提出的方法显著提高了SED性能，并可能适用于其他预训练模型，形成一种新的自监督学习模型训练范式。

5.个人理解

• 参考基线系统：作者参考了DCASE2023挑战任务4的基线系统，该系统使用了预训练的BEATs模型与CRNN结合，用于声音事件检测（SED）。基线系统中的预训练模型（BEATs）作为特征提取器使用，在SED任务中提供了全局频谱特征。
• 提出新模型ATST-SED：作者提出了一种新的自监督学习（SelfSL）模型，名为ATST-Frame，并将其应用于SED系统，构建了ATST-SED模型。与BEATs相比，ATST-Frame在帧级表示上具有更高的时间分辨率和更好的性能。
• 从下表中可以看出微调的提升效果更显著。同时也可以看出使用额外的数据也有一定的提升，但主要的贡献还是微调策略的影响。
  
  下表可以看出微调策略对效果的影响。