摘要

声事件检测（Sound Event Detection, SED）通常面临数据不足的问题。在DCASE2023挑战赛任务4的最新基线系统中，研究者采用大规模预训练自监督学习（Self-Supervised Learning, SelfSL）模型以缓解这一限制，其中预训练模型有助于生成更具判别性的特征，从而提升SED性能。然而，在该挑战的基线系统及多数参赛方案中，预训练模型通常被视为固定的特征提取器，对预训练模型进行微调的研究极为有限。本文针对预训练模型在SED任务中的微调方法展开深入研究。我们首先将新提出的SelfSL模型ATST-Frame引入SED系统。ATST-Frame专为学习音频信号的帧级表示而设计，在一系列下游任务中取得了当前最优（State-of-the-Art, SOTA）性能。随后，我们提出一种基于（领域内）未标注与标注SED数据相结合的ATST-Frame微调方法。实验结果表明，该方法有效缓解了在微调大型预训练网络时常见的过拟合问题，所提出的SED系统在DCASE挑战赛任务4数据集上取得了新的SOTA性能，PSDS1/PSDS2评分分别为0.587和0.812。