文献

J-GLOBAL ID：201702244993657778   整理番号：17A1729082

ロバストな音声残響除去のための深い畳込み符号器-復号器モデル【Powered by NICT】

A deep convolutional encoder-decoder model for robust speech dereverberation

著者 (3件)： Wang D. S. (ADSPLAB/Intelligent Lab, School of ECE, Peking University, Shenzhen, 518055, China) ,  Zou Y. X. (ADSPLAB/Intelligent Lab, School of ECE, Peking University, Shenzhen, 518055, China) ,  Shi W. (Hian Speech Science & Technology Co., Ltd, Shenzhen 518055, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： DSP  ページ： 1-5  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ディープニューラルネットワーク(DNN)を用いた音声残響除去(SD)は学習スペクトルマッピング,同時に,音声信号の局所時間的スペクトル構造(LTSS)の特性化を欠き,実際の適用において実用的でないことが大きな貯蔵空間を必要とする,最先端レベルの結果を達成することを示した。これに反して,畳込みニューラルネットワーク(CNN)は局所パターンを考慮することにより良好なモデリング能力を提供し,その重み共有特性,SDタスクのためのCNNを採用することが動機づけと少ないパラメータを持っている。本論文では,著者らの知る限り,SDタスク(DCED SD)を扱うで初めて提案した深層畳込みエンコーダ-デコーダ(DCED)モデル,DCED SDモデルの利点は,より小さな記憶要件を持つ畳込み符号器-復号器層を介してその強力なLTSSモデリング能力にある。訓練対として残響と無響スペクトルを用いて,提案したDCED SDは収束時間と教師ありの方法で良く訓練された。さらに,DCED SDモデルサイズが達成された良好な性能を持つDNN SDモデルのサイズよりも23倍小さかった。模擬と実際の記録データを用いて,異なる未知残響条件の下でDNNベースSD法よりもDCEDベースSD法の優位性を実証するために行った広範な実験。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *畳込み ,  ニューラルネットワーク ,  学習 ,  *残響 ,  *畳込み符号 ,  *ロバスト性 ,  *符号器 ,  スペクトル ,  音声信号 ,  *復号器 ,  キャラクタリゼーション ,  *モデル ,  モデリング
準シソーラス用語： ディープニューラルネットワーク ,  *残響除去 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： ロバスト ,  音声 ,  残響除去 ,  畳込み符号 ,  復号器 ,  モデル