Annotation légère et poids de classe à l’apprentissage pour l'estimation automatique de l'audibilité des alarmes dans le bruit

Dans le but d'améliorer la santé et la sécurité au travail, nous avons récemment proposé une approche pour évaluer l'audibilité des signaux acoustiques de danger. Elle est basée sur l'utilisation d'un classifieur binaire entraîné sur des données perceptuelles pour prédire l'audibilité d’alarmes acoustiques dans des clips audio. Dans le présent article, nous étudions d'abord l'impact d’une procédure d'annotation flexible et du bruit qu’elle engendre sur les étiquettes des données d’entraînement sur les performances du modèle. Nous montrons qu'une procédure d'annotation plus légère lors de la formation permet tout de même d'atteindre une performance proche de celle de l'homme lorsque l’on teste le modèle. Par ailleurs, le choix du seuil de discrimination est un aspect crucial dans notre application car il peut avoir un impact direct sur la sécurité de l'utilisateur. Nous explorons donc le poids des classes pour entraîner un modèle qui permette une sélection plus robuste du seuil de discrimination, garantissant un faible taux de faux positifs.