文献

J-GLOBAL ID：201402260209672891   整理番号：14A0102324

音響不変性を音声混同とトレードするための不均質プール化を利用した深層畳込みニューラルネットワーク

A DEEP CONVOLUTIONAL NEURAL NETWORK USING HETEROGENEOUS POOLING FOR TRADING ACOUSTIC INVARIANCE WITH PHONETIC CONFUSION

著者 (3件)： DENG Li (Microsoft Res., WA, USA) ,  ABDEL-HAMID Ossama (York Univ., ON, CAN) ,  YU Dong (Microsoft Res., WA, USA)
資料名： Proceedings. IEEE International Conference on Acoustics, Speech and Signal Processing  (Proceedings. IEEE International Conference on Acoustics, Speech and Signal Processing)
巻： 2013 Vol.10  ページ： 6669-6673  発行年： 2013年 
JST資料番号： E0316B  ISSN： 1520-6149  資料種別： 会議録 (C)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層ニューラルネットワーク(DNN)に,畳込みとそれに続くプール化を導入した深層畳込みニューラルネットワーク(CNN)が,画像認識で成功を収めている。しかし音声認識では単純な畳込み・プール化は,音声クラス間の混同を招き,識別能力が低下する。この画像と音声間の基本的違いを動機として,本論文は,画像認識に適用される深層CNNにより得られる音声認識の誤りパターンを解析した。音声スペクトログラムにおける制約付き周波数シフト不変性を,このような不変性が導入する音声クラス混同を最小化しながら実現する不均質プール化(HP)を利用して,HP-CNNと呼ぶ新しい方式を設計した。プール化サイズの重みづけ混合を利用して,クラス内不変性とクラス間識別のトレードを可能とした。TIMIT音素認識について単体システムで話者情報を利用しない場合に,既存報告では最善の約19%の音素誤り率を達成した。

シソーラス用語： *音声認識 ,  *ニューラルネットワーク ,  機械学習 ,  *畳込み ,  画像認識 ,  分類 ,  不変性 ,  図表 ,  音声分析 ,  周波数シフト ,  不均一性 ,  トレードオフ ,  重みづけ ,  誤り率 ,  ホルマント ,  ドメイン知識 ,  正規化 ,  学習曲線 ,  行列 ,  スペクトログラム ,  *音素認識 ,  *深層学習
準シソーラス用語： 混同行列

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 音響 ,  不変性 ,  音声 ,  トレード ,  不均質 ,  深層畳込みニューラルネットワーク