Библиографическое описание:Evaluating the generalization ability of deep learning models for sound source localization : научное издание / Ghiath M. Shahoud, Evgeny D. Agafonov. - Текст : непосредственный // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2025. - № 72. - P. 107-113. - ISSN 1998-8605. - ISSN 2311-2085, DOI 10.17223/19988605/72/11.
Аннотация:In this paper, the generalization ability of deep learning models used to solve the sound source localization problem with a spatial resolution of 10° is evaluated when the configuration settings are changed. The generalization ability of the models was evaluated in a closed reverberant environment using an orthogonal microphone array. Two models were considered: SI-GCC-CNN, which is based on combining the features of sound intensity and generalized cross-correlation - phase transform as input data for convolutional neural networks, and SI-CNN, which is based on feeding the features of the sound intensity into the convolutional neural network. Simulation and modeling results show that the SI-GCC-CNN model is effective in its generalization ability and outperforms the SI-CNN model, achieving an improvement in localization accuracy by 22,1% when changing the size of the room, by 15,6% when changing the location of the microphone array and by 32% when changing the distance between the source and the center of the microphone array. Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests.
Оценивается обобщающая способность моделей глубокого обучения, используемых для решения задачи локализации источника звука с пространственным разрешением 10°, при изменении настроек конфигурации. Обобщающая способность моделей оценивалась в замкнутой реверберирующей среде с использованием ортогональной микрофонной решетки. Были рассмотрены две модели: SI-GCC-CNN, которая основана на объединении признаков интенсивности звука и обобщенной кросс-корреляции - фазового преобразования в качестве входных данных для сверточных нейронных сетей, и SI-CNN, которая основана на подаче признаков интенсивности звука в сверточную нейронную сеть. Результаты моделирования и имитации показывают, что модель SI-GCC-CNN эффективна по своей обобщающей способности и превосходит модель SI-CNN, достигая улучшения точности локализации на 22,1% при изменении размера помещения, на 15,6% при изменении местоположения микрофонной решетки и на 32% при изменении расстояния между источником и центром микрофонной решетки. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.
