《表1 各模型的F1分数：基于平均教师模型的弱标记半监督声音事件检测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于平均教师模型的弱标记半监督声音事件检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

GCWL-MT(EMA）是基于EMA算法的平均教师模型，GCWL-MT(SWA）是基于SWA算法的平均教师模型，GCWL-MT-SA(SWA）是在GCWL-MT(SWA）基础上使用了SpecAugment数据增强．由表1可以看出采用平均教师策略后的GCWL-MT(EMA）模型与未采用平均教师策略的单一模型GCWBLSTM相比，在开发集和评估集上的F1分数有很大提高，说明平均教师模型可以有效改善系统的性能．采用SWA算法后的GCWL-MT(SWA）模型在开发集和评估集上的F1分数比采用EMA算法的GCWL-MT(EMA）模型分别高出1.2%和1.4%，证明了SWA算法的有效性．基于相同的模型结构，使用数据增强后，F1分数大幅提高，证明了数据增强的有效性．需要说明的是：我们提出的方法使用中值滤波器对标签进行处理，这种方法可以有效地去除短而嘈杂的输出，可以有效滤除一些不重要的噪音，但并不会连接相邻的输出，这严重影响了短暂的、零星出现的事件，例如猫叫、狗叫和洗碗声的预测结果，因此对这类声音事件的预测结果并不太理想．