相关实验视频
Updated: May 6, 2026

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.3K
基于ECA的轻量级DCNN方法用于语音命令识别
Karthikeyan V1, Saranya P1, Natchiyar M1
1Dept. of ECE, Mepco Schlenk Engineering College, Sivakasi, Tamil Nadu, India.
Computers in biology and medicine
|August 24, 2025
概括
具有高效通道注意力的新型轻量级深卷积神经网络 (LW-DCNN-ECA) 实现了语音识别的高精度. 这种先进的模型提高了用户的沟通和可访问性,包括语言障碍者.
科学领域:
- 计算机科学
- 人工智能
- 机器学习
背景情况:
- 语音识别技术有助于在各个行业进行音频流转录.
- 它作为用户身份验证的生物识别工具, 并帮助有语言障碍的人.
- 这项技术使得自然,类似人类的沟通.
研究的目的:
- 提出一个轻量级的端到端深卷积神经网络,具有高效的频道注意力框架 (LW-DCNN-ECA),以改进语音识别.
- 通过先进的语音识别来提高沟通方便性和灵活性.
主要方法:
- 开发了一种经过层次修改的端到端深度CNN,采用高效的频道注意力 (ECA) 机制.
- 该ECA层是一个计算效率高的模块,旨在提高轻量级深卷积神经网络的性能.
主要成果:
- 在小型语音命令数据集中,LW-DCNN-ECA模型实现了98.28%的识别率和0.5691的损失.
- 在语音命令数据集上,该模型实现了99.98%的识别率,损失为0.2634.
- 在Fisher和CHiME-4体上验证了框架的稳定性.
结论:
- 拟议的LW-DCNN-ECA框架在语音识别任务中表现出高效率和准确性.
- 这个模型提供了一种计算效率高的解决方案来提高语音识别性能.
- 这项技术具有改善可访问性和沟通工具的巨大潜力.

