Two-Step Microphone Array Fusion Algorithm for Enhanced Indoor Sound Source Localization
Notice bibliographique
Résumé
This paper introduces a novel two-step algorithm for microphone array fusion to enhance Sound Source Localization (SSL) in indoor reverberant environments. The proposed method intelligently selects Angle of Arrival (AoA) estimates to reduce localization errors while maintaining computational efficiency. Through simulation analysis using both simulated and real Room Impulse Responses (RIRs), we identify that AoA accuracy varies depending on the sound source location, leading to unreliable estimates from certain microphone arrays. To address this, we propose a method to exclude these unreliable AoAs from SSL, improving overall localization performance.To further evaluate the effectiveness of the proposed approach, we compare it to a deep learning-based SSL method, where a Deep Neural Network (DNN) predicts source locations based on estimated AoAs. First, we compare our method to an approach that uses all available AoAs without selection, demonstrating that the two-step algorithm reduces Mean Absolute Error (MAE) by up to 50%. Next, we compare our method with the DNN-based approach, which achieves a 6.6% lower MAE while having higher 25th and 75th percentile values, and is computationally more complex and requires extensive training data. These results highlight the ability of the two-step method to efficiently determine which AoAs to use in order to maintain more accurate SSL. These findings emphasize the practical value of the proposed method in improving SSL accuracy in challenging acoustic conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».