renumics/dcase23-task2-enriched

该数据集是DCASE 2023挑战赛任务2的增强版数据集，专注于音频分类任务，如异常检测、异常声音检测和机器状态监测。该数据集通过预训练的音频频谱变换器生成的嵌入和官方挑战基准实施的结果进行了增强，旨在促进无监督学习和域泛化领域的研究。数据集基于MIMII DG和ToyADMOS2数据集，用于DCASE2023挑战赛中的无监督异常声音检测。

原始信息汇总

数据集概述

数据集描述

数据集总结

• 名称: Enriched DCASE 2023 Challenge Task 2 Dataset
• 类别: 音频分类
• 大小: 1K<n<10K
• 标签: 异常检测, 异常声音检测, 声学条件监控, 声音机器故障诊断, 机器学习, 无监督学习, 声学场景分类, 声学事件检测, 声学信号处理, 音频域转移, 域泛化
• 许可证: cc-by-4.0

数据集结构

数据实例

• 音频: 单声道，时长10秒
• 路径: 音频文件路径
• 部分: 整数，表示部分
• d1p: 参数名称
• d1v: 参数值
• 域: 整数，0表示源域，1表示目标域
• 类别: 整数，表示机器类型
• 标签: 整数，0表示正常，1表示异常
• 异常指标: 整数，基于本地异常因子算法
• 异常分数: 浮点数，基于本地异常因子算法
• 嵌入: 音频嵌入，由音频频谱变换器生成

数据分割

• 开发数据集: 包含训练和测试分割
  • 训练: 7000个实例
  • 测试: 1400个实例
• 额外训练数据集: 仅包含训练分割，7000个实例
• 评估数据集: 仅包含测试分割，1400个实例

数据集创建

来源数据

• 包含七种机器类型的正常和异常操作声音
• 每个机器类型提供一个部分，包含训练和测试数据
• 录音包括机器操作声音和环境噪音

支持的任务和排行榜

• 任务: 异常声音检测，用于机器条件监控
• 要求: 无监督学习，域泛化，新机器类型模型训练，单机类型数据训练

使用数据集的考虑

社会影响

• 待补充

偏见讨论

• 待补充

其他已知限制

• 待补充

附加信息

基线系统

• 基线系统可在GitHub上找到，为入门级研究人员提供合理的性能起点

许可证信息

• 原始数据集由Hitachi, Ltd.和NTT Corporation创建，使用Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)许可证

搜集汇总

数据集介绍

构建方式

该数据集是基于DCASE 2023挑战赛任务2的异常声音检测任务构建的，旨在监测机器状态。原始数据集包括七种真实和玩具机器的正常和异常操作声音，每段录音为10秒的单通道音频。数据集的构建过程中，使用了MIMII DG和ToyADMOS2数据集，并通过添加预训练的音频频谱变换器生成的嵌入和官方挑战基线实现的结果进行丰富。这些丰富内容有助于研究人员快速理解数据集，并推广数据中心AI原则和工具。

使用方法

使用该数据集时，研究人员可以通过HuggingFace的datasets库加载数据，并使用Renumics Spotlight工具进行数据探索。首先，安装必要的库并加载数据集，然后使用Spotlight工具可视化数据。研究人员还可以添加自定义模型的嵌入和异常分数，以进一步分析数据集和模型行为。通过Spotlight工具，用户可以交互式地配置数据视图，并根据具体任务（如模型比较、调试或异常检测）利用不同的丰富内容和元数据。

背景与挑战

背景概述

在工业4.0的背景下，机器状态监测和异常声音检测（Anomalous Sound Detection, ASD）成为确保设备正常运行和预防故障的关键技术。renumics/dcase23-task2-enriched数据集由Renumics公司发布，作为DCASE 2023挑战赛任务2的一部分，专注于无监督的异常声音检测。该数据集基于MIMII DG和ToyADMOS2数据集，包含了七种机器类型的正常和异常操作声音，旨在解决领域泛化和新机器类型检测的挑战。通过引入预训练的音频频谱变换器生成的嵌入和官方挑战基线实现的结果，该数据集不仅提供了丰富的音频数据，还促进了数据中心AI原则在机器学习社区中的普及。

当前挑战

该数据集面临的挑战主要集中在领域泛化和无监督学习上。首先，由于机器操作状态和环境噪声的变化，数据集需要处理领域偏移问题，这要求模型具备领域泛化能力。其次，数据集仅包含正常声音进行训练，模型需在无异常样本的情况下检测未知类型的异常声音，这对无监督学习提出了高要求。此外，数据集还要求模型能够在新机器类型上进行训练，且无需额外超参数调整，这增加了模型的适应性和鲁棒性要求。最后，数据集的构建过程中，如何确保音频数据的多样性和代表性，以及如何处理多通道录音的单通道化，也是重要的技术挑战。

常用场景

经典使用场景

在声学事件检测与分类领域，renumics/dcase23-task2-enriched数据集的经典使用场景主要集中在异常声音检测（Anomalous Sound Detection, ASD）和机器状态监测（Machine Condition Monitoring）。该数据集通过提供丰富的音频特征和预训练模型的嵌入，使得研究人员能够在无监督学习框架下，开发和评估能够识别机器异常声音的模型。此外，数据集还支持领域泛化任务，帮助模型在不同操作环境和机器状态下保持检测性能。

解决学术问题

该数据集解决了在实际工业环境中，由于异常事件罕见且多样，难以收集全面异常样本的问题。通过仅使用正常声音进行训练，模型能够检测出训练数据中未见过的异常类型，满足了无监督学习的需求。此外，数据集还解决了领域偏移问题，通过提供不同域的数据，帮助模型在面对操作状态变化和环境噪声变化时，仍能有效检测异常，推动了领域泛化技术的发展。

实际应用

在实际应用中，renumics/dcase23-task2-enriched数据集被广泛用于工业设备的预测性维护。通过分析机器运行时的声音，系统可以及时发现潜在的故障，减少停机时间和维修成本。此外，该数据集还被用于开发智能家居和消费电子产品中的异常声音检测功能，如婴儿监视器和智能音箱，以提高用户体验和设备安全性。

数据集最近研究

最新研究方向

在异常声音检测（ASD）领域，renumics/dcase23-task2-enriched数据集的前沿研究方向主要集中在无监督学习和领域泛化技术的结合。该数据集通过引入预训练的音频频谱变换器生成的嵌入，以及官方挑战基线实现的结果，为研究人员提供了一个丰富的数据环境。这种数据增强方法不仅有助于新研究人员快速理解数据集，还促进了数据中心AI原则和工具在机器学习社区中的普及。此外，该数据集的发布与DCASE 2023挑战赛紧密相关，推动了异常声音检测技术在工业机器状态监测中的应用，特别是在处理域偏移和仅使用正常声音训练模型的场景下，具有重要的实际意义和研究价值。