Cross_MMoE多任务模型

F1提升至99.31%

通过多任务学习联合分析声学场景和声音事件，利用事件信息辅助场景分类，并引入类平衡损失缓解类别不平衡。

Lin, Zhang · 武梦龙 · Cai, Xichang · Li, Yundong · 刘文锴

IEEE Sensors Journal 2024

参数信息

F1 分数

99.04 %

F1 分数

98.74 %

技术优势

F1 分数提升 1.43%

引入多门混合专家模型（MMoE），相比传统多任务学习模型，在 F1 分数上取得 98.74%，提升 1.43%。

应用场景

• 智能音频监控：利用声音事件信息提升场景分类准确率，可辅助安防系统识别异常声音。
• 城市噪声监测：联合场景与事件分析可同时识别噪声源和所在环境，提高监测效率。
• 声学环境感知：多任务学习模型提供更丰富的声学场景表示，适合复杂环境感知任务。