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:2509.18606

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.18606 (eess)
[提交于 2025年9月23日 ]

标题: FlexSED:面向开放词汇声音事件检测

标题: FlexSED: Towards Open-Vocabulary Sound Event Detection

Authors:Jiarui Hai, Helin Wang, Weizhe Guo, Mounya Elhilali
摘要: 尽管在大规模声音事件检测(SED)系统方面取得了进展,这些系统能够处理数百种声音类别,但现有的多类分类框架仍然存在根本性的限制。 它们无法处理自由文本声音查询,这使得交互更加灵活和用户友好,并且缺乏零样本能力,且few-shot适应性较差。 虽然已经探索了基于文本查询的分离方法,但它们主要集中在源分离上,对于需要精确时间定位和在大型多样声音词汇中高效检测的SED任务来说并不适合。 在本文中,我们提出了FlexSED,一个开放词汇的声音事件检测系统。 FlexSED基于预训练的音频SSL模型和CLAP文本编码器,引入了编码器-解码器结构和自适应融合策略,以实现从预训练权重的有效连续训练。 为了确保稳健的监督,它还使用大语言模型(LLMs)在训练期间协助事件查询选择,解决了缺失标签相关的问题。 结果表明,与普通SED模型相比,FlexSED在AudioSet-Strong上表现出更优的性能,同时展现出强大的零样本和few-shot能力。 我们发布了代码和预训练模型,以支持基于FlexSED的未来研究和应用。
摘要: Despite recent progress in large-scale sound event detection (SED) systems capable of handling hundreds of sound classes, existing multi-class classification frameworks remain fundamentally limited. They cannot process free-text sound queries, which enable more flexible and user-friendly interaction, and they lack zero-shot capabilities and offer poor few-shot adaptability. Although text-query-based separation methods have been explored, they primarily focus on source separation and are ill-suited for SED tasks that require precise temporal localization and efficient detection across large and diverse sound vocabularies. In this paper, we propose FlexSED, an open-vocabulary sound event detection system. FlexSED builds on a pretrained audio SSL model and the CLAP text encoder, introducing an encoder-decoder composition and an adaptive fusion strategy to enable effective continuous training from pretrained weights. To ensure robust supervision, it also employs large language models (LLMs) to assist in event query selection during training, addressing challenges related to missing labels. As a result, FlexSED achieves superior performance compared to vanilla SED models on AudioSet-Strong, while demonstrating strong zero-shot and few-shot capabilities. We release the code and pretrained models to support future research and applications based on FlexSED.
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI); 声音 (cs.SD)
引用方式: arXiv:2509.18606 [eess.AS]
  (或者 arXiv:2509.18606v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.18606
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Jiarui Hai [查看电子邮件]
[v1] 星期二, 2025 年 9 月 23 日 03:52:52 UTC (432 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
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.AI
cs.SD
eess

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