LOCAL AND GLOBAL FEATURES FUSION FOR SOUND EVENT DETECTION WITH HETEROGENEOUS TRAINING DATASET AND POTENTIALLY MISSING LABELS

ひとまず2節を見ている

1節は飛ばした

CNNとTransformerの中間層の重み?を融合し,特徴抽出をより良くする

従来手法は単純すぎると言っている

これは完全に学習戦略では

もう一つのMean-Teacherをより異質性に強くした手法も学習戦略だと思う > Confident Mean Teacher

モデルアーキテクチャは中間層の特徴量を交換する以外は一緒?

特に工夫はないのかな

1節に色々良さげなリソースが書いてある

モデルとか学習手法とか

後でいいか

? cross-attention mechanismが気になる

attnetion機構の一部である cross-attentionのことを言っているのか?