音频数据增强（一）——mixup和SpecAugment

1、mixup

论文地址：https://arxiv.org/pdf/1710.09412.pdf

mixup通过以下方式构建虚拟的训练样本：

式中，(xi,yi)和(xj,yj)是从训练数据中随机抽取的两个样本，且λ∈[0,1]。因此，mixup通过结合先验知识，即特征向量的线性插值应导致相关标签的线性插值，来扩展训练分布。
代码实现：

2、SpecAugment

论文地址：https://arxiv.org/pdf/1904.08779.pdf

SpecAugment 是一种对输入音频的logmel谱图而不是对原始音频进行操作的增强方法。增强策略包括time wrapping、time masking和frequency masking。

(1)time wrapping:通过tensorflow的sparse_image_warp函数实现。time wrapping给模型性能带来的影响虽然很小，但仍然存在。time wrapping，考虑到任何预算限制，作为这项工作中讨论的最昂贵、影响最小的增强方法，应该是第一个被舍弃的。

(2)Frequency masking:掩蔽[f0，f0+f）的f个连续的mel频率通道，其中f从0到频率掩码参数F的均匀分布中选择，f0从[0，ν-f）中选择 。ν是mel频率通道的数量。

代码实现：

tensorflow

import tensorflow_io as tfio
time_mask = tfio.audio.time_mask(dbscale_mel_spectrogram, param=10)

pytorch

import torchaudio.transforms as T
torch.random.manual_seed(4)
spec = get_spectrogram()
masking = T.FrequencyMasking(freq_mask_param=80)
spec = masking(spec)

(3)Time masking:掩蔽[t0，t0+t）的t个连续的时间步，其中t从0到时间掩蔽参数t的均匀分布中选择，t0从[0，τ-t)中选择。

代码实现：

tensorflow

import tensorflow_io as tfio
freq_mask = tfio.audio.freq_mask(dbscale_mel_spectrogram, param=10)

pytorch

import torchaudio.transforms as T
torch.random.manual_seed(4)
spec = get_spectrogram()
masking = T.TimeMasking(time_mask_param=80)
spec = masking(spec)

参考地址：Audio Feature Augmentation — PyTorch Tutorials 1.11.0+cu102 documentation

https://www.tensorflow.org/io/tutorials/audio

下图显示了应用于单个输入的单个增强的示例