文献

J-GLOBAL ID：202002256762555582   整理番号：20A2132062

話者検証のための多レベル注意を持つ拡張残差ネットワーク【JST・京大機械翻訳】

Dilated residual networks with multi-level attention for speaker verification

著者 (5件)： Wu Yanfeng (College of Artificial Intelligence, Nankai University, Tianjin, PR China) ,  Guo Chenkai (College of Computer Science, Nankai University, Tianjin, PR China) ,  Gao Hongcan (College of Computer Science, Nankai University, Tianjin, PR China) ,  Xu Jing (College of Artificial Intelligence, Nankai University, Tianjin, PR China) ,  Bai Guangdong (School of Information Technology and Electrical Engineering, University of Queensland, Australia)
資料名： Neurocomputing  (Neurocomputing)
巻： 412  ページ： 177-186  発行年： 2020年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 深層学習技法の開発により,深層ニューラルネットワーク(DNN)に基づく話者検証(SV)システムは,従来のiベクトルベース研究と比較して,競合性能を達成する。従来のDNNベースSV法は,通常時間遅れニューラルネットワークを採用し,効果的な表現のためのネットワークの拡張を制限する。そのうえ,DNNベースのSVシステムで使用される既存の注意機構は,ネットワークアーキテクチャの単一レベルにのみ適用され,重要な特徴を不十分に抽出する。上記の問題に取り組むために,著者らは,SVのための効果的な深い話者埋込みアーキテクチャを提案し,それは,拡張残差ネットワーク(DRN)と呼ばれる一次元拡張畳込み層の残留接続を,マルチレベル注意モデルと組み合わせた。DRNは,特徴の長い時間周波数コンテキスト情報を捉えるだけでなく,DNNの多重層から情報を利用することもできる。さらに,フレームレベルで採用された二次元畳込みブロック注意モジュールとプール層で使用されるベクトルベース注意から成るマルチレベル注意モデルは,DNNの多重レベルで重要な特徴を強調することができる。NIST SRE2016データセットで行った実験は,提案したアーキテクチャが,最先端の方法と比較して,7.094%の優れた等価誤り率(EER)と0.552のより良い検出コスト関数(DCF16)を達成することを示した。さらに,アブレーション実験は,SVタスクに対する拡張畳込みとマルチレベル注意の有効性を実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  *ネットワーク ,  *残差 ,  費用関数 ,  多重化 ,  二次元 ,  一次元 ,  誤り率 ,  多層 ,  有効性 ,  アブレーション ,  計算機アーキテクチャ ,  ネットワークアーキテクチャ
準シソーラス用語： 深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 話者検証 ,  拡張残差ネットワーク ,  マルチレベル注意

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 話者 ,  検証 ,  注意 ,  拡張 ,  残差