具有高效通道注意力的TDNN架构和改进的剩余块,用于准确的扬声器识别

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 卷积神经网络 (CNN) 在扬声器识别中占主导地位,时间延迟神经网络 (TDNN) 取得了进展.
• 在复杂的音频中建模多尺度特征时,TDNN面临挑战,影响扬声器识别准确度.
• 像ECAPA-TDNN这样的现有架构为扬声器嵌入任务提供了基础.

研究的目的:

• 通过解决多尺度特征建模中的TDNN局限性来提高扬声器识别的准确性.
• 引入一种新的架构,EPCNet-TDNN,可以改善特征表示和融合.
• 为了利用注意力机制和并行处理来实现更强大的扬声器嵌入.

主要方法:

• 拟议的EPCNet-TDNN是ECAPA-TDNN的演变,在ECA_block中结合了高效通道和空间注意力机制 (ECAM).
• 引入了并行剩余结构 (PRS) 进行独立的,并行的多尺度特征捕获,减少了顺序依赖.
• 集成了一个选择性状态空间 (SSS) 模块后特征提取来增强时间序列建模.

主要成果:

• 与ECAPA-TDNN相比,EPCNet-TDNN在CN-Celeb1数据集上显示出显著的性能改进.
• 在等错率 (EER) 中实现了14.1%的相对改进,在minDCF中达到9.4%,在精度 (ACC) 中达到6.6%.
• 新的ECAM和PRS组件有效地捕获和融合了多尺度和时间信息.

结论:

• 拟议的EPCNet-TDNN架构提供了卓越的扬声器识别性能.
• 集成ECAM,PRS和SSS模块有效地解决了多尺度特征建模和时间依赖.
• 这项工作推进了用于语音验证和识别的深度学习方法.