文本无关说话人识别的一种多尺度特征提取方法

近些年来,多种基于卷积神经网络(CNNs)的模型结构表现出越来越强的多尺度特征表达能力,在说话人识别的各项任务中取得了持续的性能提升.然而,目前大多数方法只能利用更深更宽的网络结构来提升性能.该文引入一种更高效的多尺度说话人特征提取框架Res2Net,并对它的模块结构进行了改进.它以一种更细粒化的工作方式,获得多种感受野的组合,从而获得多种不同尺度组合的特征表达.实验表明,该方法在参数量几乎不变的情况下,等错误率(EER)相较ResNet有20％的下降,并且在VoxCeleb,SITW等多种不同录制环境和识别任务中都有稳定的性能提升,证明了该方法的高效性和鲁棒性.改进后的全连接模块结构能更充分利用训练信息,在数据充足和任务复杂时性能提升明显.具体代码可以在https://github.com/czg0326/Res2Net-Speaker-Recognition获得.     

文本无关说话人识别的一种多尺度特征提取方法

近些年来,多种基于卷积神经网络(CNNs)的模型结构表现出越来越强的多尺度特征表达能力,在说话人识别的各项任务中取得了持续的性能提升。然而,目前大多数方法只能利用更深更宽的网络结构来提升性能。该文引入一种更高效的多尺度说话人特征提取框架Res2Net,并对它的模块结构进行了改进。它以一种更细粒化的工作方式,获得多种感受野的组合,从而获得多种不同尺度组合的特征表达。实验表明,该方法在参数量几乎不变的情况下,等错误率(EER)相较ResNet有20%的下降,并且在VoxCeleb, SITW等多种不同录制环境和识别任务中都有稳定的性能提升,证明了该方法的高效性和鲁棒性。改进后的全连接模块结构能更充分利用训练信息,在数据充足和任务复杂时性能提升明显。具体代码可以在https://github.com/czg0326/Res2Net-Speaker-Recognition获得。