Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.00307

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.00307 (eess)
[提交于 2025年8月1日 ]

标题: 波束成形的360°声音图:U-Net驱动的声源分割与定位

标题: Beamformed 360° Sound Maps: U-Net-Driven Acoustic Source Segmentation and Localization

Authors:Belman Jahir Rodriguez, Sergio F. Chevtchenko, Marcelo Herrera Martinez, Yeshwant Bethy, Saeed Afshar
摘要: 我们引入了一个U-net模型用于360{\deg }声源定位,该模型被表述为球面语义分割任务。 而不是回归离散的到达方向(DoA)角度,我们的模型将波束成形音频图(方位角和仰角)分割成存在活跃声音的区域。 使用自定义的24麦克风阵列进行延迟与求和(DAS)波束成形,我们生成与无人机GPS遥测对齐的信号以创建二进制监督掩码。 一个修改后的U-Net,在这些图的频域表示上进行训练,能够识别空间分布的声源区域,并通过Tversky损失处理类别不平衡问题。 由于网络在波束成形能量图上运行,该方法本质上与阵列无关,可以在不从头开始重新训练的情况下适应不同的麦克风配置。 通过在激活区域上计算质心对分割输出进行后处理,从而实现稳健的DoA估计。 我们的数据集包括DJI Air 3无人机在多个日期和地点的真实开放场地录音,同步了360{\deg }视频和飞行日志。 实验结果表明,U-net在不同环境中具有泛化能力,提供了改进的角度精度,为超越传统声源定位(SSL)的密集空间音频理解提供了一种新范式。
摘要: We introduce a U-net model for 360{\deg} acoustic source localization formulated as a spherical semantic segmentation task. Rather than regressing discrete direction-of-arrival (DoA) angles, our model segments beamformed audio maps (azimuth and elevation) into regions of active sound presence. Using delay-and-sum (DAS) beamforming on a custom 24-microphone array, we generate signals aligned with drone GPS telemetry to create binary supervision masks. A modified U-Net, trained on frequency-domain representations of these maps, learns to identify spatially distributed source regions while addressing class imbalance via the Tversky loss. Because the network operates on beamformed energy maps, the approach is inherently array-independent and can adapt to different microphone configurations without retraining from scratch. The segmentation outputs are post-processed by computing centroids over activated regions, enabling robust DoA estimates. Our dataset includes real-world open-field recordings of a DJI Air 3 drone, synchronized with 360{\deg} video and flight logs across multiple dates and locations. Experimental results show that U-net generalizes across environments, providing improved angular precision, offering a new paradigm for dense spatial audio understanding beyond traditional Sound Source Localization (SSL).
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI); 声音 (cs.SD); 信号处理 (eess.SP)
引用方式: arXiv:2508.00307 [eess.AS]
  (或者 arXiv:2508.00307v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.00307
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Belman Jahir Rodriguez Nino [查看电子邮件]
[v1] 星期五, 2025 年 8 月 1 日 04:23:18 UTC (2,256 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI
cs.SD
eess
eess.SP

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号