电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月5日
]
标题: PatchDSU:关键词检测中分布外泛化的不确定性建模
标题: PatchDSU: Uncertainty Modeling for Out of Distribution Generalization in Keyword Spotting
摘要: 深度学习模型在许多任务中表现出色,但依赖于训练数据和测试数据遵循相同分布的假设。 这一假设在现实世界中的语音系统中通常不成立,由于环境变化、录音条件和说话人多样性,分布偏移很常见。 域偏移不确定性(DSU)方法根据输入特征统计信息对每个神经网络层的输入进行增强。 它通过假设特征统计遵循多变量高斯分布,并用该分布中采样的特征替换输入来解决域外泛化问题。 虽然在计算机视觉中有效,但由于数据的性质,将DSU应用于语音存在挑战。 与静态视觉数据不同,语音是一种时间信号,通常由频谱图表示——频率随时间的变化。 这种表示不能被视为简单的图像,当应用于整个输入时,产生的稀疏性可能导致特征统计偏差。 为了解决关键词检测中的分布外问题,我们提出了PatchDSU,它通过将输入分成块并独立增强每个块来扩展DSU。 我们在Google语音命令、Librispeech和TED-LIUM数据集上评估了PatchDSU和DSU以及其他方法。 此外,我们在白色高斯噪声和MUSAN音乐噪声条件下评估了性能。 我们还通过分析模型在未训练的数据集上的表现来探索域外泛化。 总体而言,在大多数情况下,PatchDSU和DSU都优于其他方法。 值得注意的是,与其它方法相比,PatchDSU在评估场景中表现出更一致的改进。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.