音频分类

📄 CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation 标签：#音频分类 #自监督学习 #多模态模型 #Transformer #医疗音频 7.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 7.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频分类 | #自监督学习 | #多模态模型 #Transformer | arxiv 👥 作者与机构 第一作者：Hamza Shafiq（机构未明确；文中“Affiliation: Jun Hu”标注异常） 通讯作者：Aaqib Saeed（Eindhoven University of Technology, Netherlands；a.saeed@tue.nl） 作者列表：Hamza Shafiq（机构未明确）、Hung Manh Pham（Singapore Management University, Singapore）、Bin Zhu（Singapore Management University, Singapore）、Pan Zhou（Singapore Management University, Singapore）、Aaqib Saeed（Eindhoven University of Technology, Netherlands） 💡 毒舌点评 本文把 ECG、PPG、PCG 之间的生理学延迟建模为可学习的一等公民部件，延迟感知 latent prediction 加上两阶段课程在多个下游任务中确实带来显著提升，尤其对过去较弱的心音 PCG 任务贡献清楚。跨模态对齐不是简单拼接，而是通过可微高斯核和生理 anchor 监督把延迟估计嵌入训练目标，这比 naive timestamp alignment 有实质进步。但论文在无代码、无权重、部分关键训练细节未交代的前提下，仍把“统一心脏基础模型”的叙述推得较满，复现性和工业可信度明显打折；PCG 基线选择和统计显著性也仍有可诟病之处。 ...

📄 DINO-A: Adapting Self-Distillation Vision Transformers to General Audio Representation Learning 标签：#音频分类 #自监督学习 #Transformer #知识蒸馏 #预训练 6.2/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #自监督学习 | #Transformer #知识蒸馏 | arxiv 👥 作者与机构 第一作者：Tomasz Radzikowski（Warsaw University of Technology） 通讯作者：未披露 作者列表：Tomasz Radzikowski、Mateusz Modrzejewski、Przemysław Rokita（均为 Warsaw University of Technology） 论文状态：Preprint，已接收于 ICAISC 2026，最终版将发表于 Springer LNAI。 💡 毒舌点评 把 DINO 以最小改动搬到通用音频，并用与 BYOL-A v2 完全对齐的 FSD50K 预训练和 EVAR 线性探针评测做了一次干净的算法级对照，这是论文最有价值的贡献。但整套方法没有任何针对音频的新机制，最佳变体平均落后 BYOL-A v2 达 11.96 个百分点；作者把差距归因于 65,536 维投影在 FSD50K 尺度下数据效率不足和多裁剪的局部-全局语义不匹配，却既没有对投影维度、多裁剪开关做消融，也没有在 AudioSet 上验证尺度假设，因此“机制解释”更像事后假设而非实证结论。 ...

📄 Machine-Learning-Based Diagnostic Framework for Passive Ultrasonic Detection of Railway Wheel Defects 标签：#音频分类 #集成学习 #工业应用 #可解释性 5.6/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 1/1.5 📝 5.6/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #音频分类 | #集成学习 | #工业应用 #可解释性 | arxiv 👥 作者与机构 第一作者：Aashish Shaju（Virginia Tech，Department of Mechanical Engineering） 通讯作者：未说明 作者列表：Aashish Shaju（Virginia Tech，Department of Mechanical Engineering）、Steve Southward（Virginia Tech，Department of Mechanical Engineering）、Mehdi Ahmadian（Virginia Tech，Department of Mechanical Engineering） 💡 毒舌点评 亮点是把被动空气耦合超声从“有没有裂纹”推进到“是哪类缺陷”，统计筛选+互信息排序+随机森林的流水线对低成本现场检测有实际想象空间。短板是实验证据仅来自11个轮对台架数据，没有基线对比，也没有公开数据或代码；0.66的balanced accuracy很难支撑“可部署”结论。更严重的是，论文声称的“nine classes”与正文列出的10种状态相互矛盾，且未按轮对分组划分交叉验证，同轮样本相关性可能使结果偏高。若不做轮对级分组，测试性能可能被乐观估计。 ...

📄 Smartphone Audio Based Distress Detection 标签：#音频事件检测 #模型融合 #实时处理 #鲁棒性 #音频分类 6.3/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 6.3/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音频事件检测 | #模型融合 | #实时处理 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Anil Sharma（IIIT-Delhi） 作者列表：Anil Sharma、Sarthak Ahuja、Mayank Gautam、Sanjit Kaul（均为 IIIT-Delhi） 通讯作者：论文未标注 💡 毒舌点评 把现成的 MFCC+SVM 包装成“高召回前端、高精度后端、时间聚合、人工兜底”的多级流水线，工程落地 sense 很明确，也针对 Android 录音轮询、多核 null frame、隐私隐藏和能耗做了真实处理。但作为学术工作，它与已有 scream detection 工作没有任何定量比较；更关键的是，志愿者测试阶段不包含任何真实遇险叫声，所以“高检测率”只来自人工构造的 SNR 混合验证集，真实召回从未被验证。“entirely smartphone audio based 24/7 distress detection”的表述也偏强，因为最终仍依赖 friends-in-the-loop 人工确认，并非全自动闭环。 ...

📄 Transfer Learning for Avian Bioacoustics under Sparse Positive Labels 标签：#音频分类 #迁移学习 #模型集成 #低资源 #基准测试 7.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频分类 | #迁移学习 | #模型集成 #低资源 | arxiv 👥 作者与机构 第一作者：Dhyey Patel（未说明） 通讯作者：未说明 作者列表：Dhyey Patel（未说明）、Yunting Yin（未说明） 💡 毒舌点评 这项工作的价值在于把“未标注≠不存在”这一领域常识转成了可量化的迁移学习问题，生态先验和多源可靠性建模比粗暴数据池化更诚实；但核心声明证据不强：最强可靠性模型相对 AST+stack+graph PU 融合基线仅提升 +0.007 Macro AP，且配对置换检验 p=0.526，统计上不可区分。表 5 的fold均值与 pooled OOF 置换检验结果存在表面矛盾，论文虽在表注中解释口径不同，但正文未充分消化，读者易误读。结论方向可信，但“显著缓解负迁移”的表述过强，需要更强的统计支持和更宽的标签覆盖才能支撑。 ...

📄 Can Foundation Models Hear What Made That Sound? A Tiered Benchmark of Audio-Language Models and Traditional Classifiers for Closed-Set Sound Source Identification 标签：#音频分类 #预训练 #基准测试 #多模态模型 #音频理解 6.3/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.3/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #音频分类 | #预训练 | #基准测试 #多模态模型 | arxiv 👥 作者与机构 第一作者：Sajjad Abdoli（Perle）、Ghassan Al-Sumaidaee（Perle）（共同第一作者，按字母序排序） 通讯作者：Sajjad Abdoli（Perle）、Ghassan Al-Sumaidaee（Perle） 作者列表：Sajjad Abdoli（Perle）、Ghassan Al-Sumaidaee（Perle）、Ahmad ElShiekh（Perle）、Ahmed Rashad（Perle） 💡 毒舌点评 论文聪明地用"分层benchmark"避开了让关公战秦琼的陷阱，实验设计很巧,想法也足够落地。但说到底，这就是在一个没公开的小数据集上跑了一遍现有模型，然后做了些推理链的统计描述。思维链分析部分确实有新发现，但"策略-准确率相关性纯属混杂"这个核心结论更像是给基准测试找补的饭后甜点，没有深入建立因果模型。工程指导价值高于学术贡献，像一份扎实的内部技术报告。 ...

📄 Embodied Passive Aeroacoustic Perception Enables Relative Sensing and Pursuit Between Aerial Robots 标签：#声源定位 #CNN #音频分类 #多通道 #实时处理 7.9/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.9/10 | 前25% | 文档类型：系统技术报告 | 评分置信度：高 | #声源定位 | #CNN | #音频分类 #多通道 | arxiv 👥 作者与机构 第一作者：Yanbaihui Liu（杜克大学机械工程与材料科学系） 通讯作者：Boyuan Chen（杜克大学机械工程与材料科学系、电气与计算机工程系、计算机科学系） 作者列表：Yanbaihui Liu（杜克大学机械工程与材料科学系）、Ravi Prakash（杜克大学机械工程与材料科学系）、Li-Yu Lo（杜克大学机械工程与材料科学系）、Nils Roede（杜克大学机械工程与材料科学系）、Boyuan Chen（杜克大学机械工程与材料科学系、电气与计算机工程系、计算机科学系） 💡 毒舌点评 这项工作是机器人声学感知交叉领域一次充满想象力的探索，将多旋翼恼人的自噪声点石成金般地转化为无需协作即可感知的相对信号源，户外双机追踪的完整系统演示令人眼前一亮。然而，诗意归诗意，当方位角误差高达31.2°时，一个所谓的实时追踪系统，与主流视觉/激光雷达方案在更公平条件下的对标却被规避了。作者将方案精确框定在“互补性场景”，但这种精明的定位也掩盖了其核心性能粗糙的现实。论文展示了一个很有潜力的方向，但目前看来，它离成为可部署的实用系统仍然相去甚远。 ...

📄 Uncertainty-Aware Crossmodal Fusion for Classification of Animal Behavior 标签：#音频分类 #多模态模型 #音频理解 #Transformer #模型评估 6.3/10 | 创新 0.8/2 | 严谨 1.2/1.5 | 实验 0.6/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 6.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #多模态模型 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者/通讯作者：Ehsan Yaghoubi（Weihenstephan-Triesdorf University of Applied Sciences, Department of Sustainable Agricultural and Energy Systems） 作者列表：Ehsan Yaghoubi, Florian Haselbeck（均为同一机构） 💡 毒舌点评 这项工作精准地抓住了声学监测中的一个实际痛点—在非受控环境下，波形和语谱图两种互补表征的可靠性会动态变化，并用一个干净的贝叶斯融合方案解决了静态融合中噪声被传播或放大的问题。但整体技术方案是COLD Fusion框架在动物声学领域的直接适配与移植，核心融合机制缺乏原创性理论突破。实验在两个小规模数据集上展示了相对改善，但完全缺失与近年更强音频预训练模型（如AST、AVES、HuBERT等）的对比，使方法的绝对竞争力存疑。对于NeurIPS/ICML这类方法导向的会议，这种应用迁移工作的技术贡献相当有限。 ...

📄 A large-scale corpus of religious radio broadcast transcripts from webstream recordings in the United States 标签：#说话人日志 #大语言模型 #音频分类 #数据集 #领域适应 8.2/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.1/0.5 | 工程 1.3/1.5 🔥 8.2/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：中 | #说话人日志 | #大语言模型 | #音频分类 #数据集 | arxiv 👥 作者与机构 第一作者：Samuel Bestvater (Pew Research Center) 通讯作者：labsinfo@pewresearch.org (未具名) 作者列表： Samuel Bestvater (Pew Research Center) Athena Chapekis (Pew Research Center) Skyler Seets (Pew Research Center) Anna Lieb (Pew Research Center) Sono Shah (Pew Research Center) Aaron Smith (Pew Research Center) 💡 毒舌点评 这篇论文提供了一个在社会科学与语音处理交叉领域极具价值的大规模语料库，其工程完整度和数据透明度值得称赞，填补了宗教广播内容自动化分析的数据空白。然而，作为一篇面向顶会的数据集论文，其技术新颖性几乎为零——核心流水线是纯工程集成，且仅用一个月的数据快照能否代表长周期的内容生态存疑，这使得其短期的数据时效性成为一个显著的硬伤。 ...

📄 Few-Shot Open-Set Audio Classification via Transductive Prototype Refinement and Class Logit Enhancement 标签：#音频分类 #测试时自适应 #音频理解 #Transformer #模型评估 6.8/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.2/0.5 | 工程 0.7/1.5 ✅ 6.8/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #测试时自适应 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Tianyan Deng（华南理工大学） 通讯作者：Yanxiong Li（华南理工大学，eeyxli@scut.edu.cn） 作者列表：Tianyan Deng（华南理工大学）、Rui Gao（未说明）、Yanxiong Li（华南理工大学）、Jiahao Du（未说明） 💡 毒舌点评 这篇论文为少样本开集音频分类贡献了一个精巧的传导式推理框架。其“内点性门控+解耦评分+双阈值自适应”的组合拳在高离群比例下效果拔群，消融实验也清晰证实了各组件的必要性。然而，整个故事几乎只建立在“一个在AudioSet上预训练的AST编码器”这一根柱子上，这让“少样本开集音频分类”这面大旗显得有些摇摇欲坠。如果换一个编码器或者换一个预训练领域，这套方法还能不能打，是个避而不谈的“房间里的大象”。 ...