Abstract
<jats:p>Локалiзацiя джерела звуку грає критичну роль в аналiзi акустичних сигналiв, маючи застосування в різних сферах, серед яких: iнженерні рiшення – покращення звукоізоляції або діагностики механічних проблем. Робототехніка – навiгацiя всерединi примiщення, фiльтрацiя голоса для розпiзнавання. Безпека – детекція і визначення місцеположення несанкціонованих літальних апаратів. Ця стаття є оглядом робiт з локалiзацiї джерела звуку за останнi п’ять рокiв (2020–2025), з фокусом на використання або тестування на реальних даних. В статті описано найбільш ефективні, із тих що знаходяться у відкритому доступі, методи локалізації як у відкритому просторі, так і у більш контрольованому, закритому. З огляду на малу кiлькiсть вiдкрито-доступних реальних датасетiв, огляд також аналiзує ефективність синтетичних даних для навчання глибоких нейронних мереж, з умовою перевiрки метода на реальних даних. Деякі із методів генерації синтетичного датасета потребують додаткового обладнання, такого як, наприклад, акустична лабораторія – але себе також добре показали більш прості методи, які знаходяться у відкритому доступі, готові до використання. В оглядi присутнi як роботи базовані на класичних пiдходах до локалiзацiї, так i базовані на глибоких нейронних мережах i гiбриднi методи – коли частину класичного метода було замінено нейронною мережею. До опису включенi найбiльш сучаснi архiтектури нейронних мереж, такі як Conformer і Mamba – а також приділено увагу методам аугментації, використаних для отримання наданої точності локалізації. Роботи розділено на чотири категорії, по датасету на якому вони перевірялись. Три для популярних бенчмарків DCASE, LOCATA, MMAUD і одна для робіт які використовували власні дані для перевірки свого метода. Результати оглянутих робіт, характеристики датасетів і інформацію про апаратне забезпечення зведено до однорiдної форми, для простоти подальшого аналiзу.</jats:p>