선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- MCE 학습 방법은 인식오류를 최소화하는 학습방법으로 이는 최소 인식오류 확률 값을 정확히 구하는 대신 인식 오류에 발생하는 비용함수를 최소화하는 방법으로, 본 논문에서는 이 방법이 화자식별에 유효한 방법인가를 검증하고자 하였다. 화자식별 분야에서 기존에 성능이 좋다고 알려져 있는 시스템인, UBM 이라는 배경화자 모델을 만들고 이 모델에 화자적응을 통하여 각 화자의 모델을 생성하는 방식과 성능을 비교하였다.
- 실험결과를 보면 MCE를 적용한 방식이 UBM-adapted GMM 방식 보다 화자식별 오류율이 54% 정도 감소됐음을 알 수 있다. 따라서 본 논문에서는 화자식별에서 MCE 알고리즘과 같은 변별적인 학습 방법의 우수성을 입증하였다.
- 본 논문에서는 MCE 를 화자식별에 적용하여 인식 실험을 수행하고 기존 GMM(Gaussian Mixture Models) 방식과 성능을 비교하여 MCE 방식의 우수성을 확인하고자 한다. 본 논문의 구성은, 서론에 이어 2장에서 제안한 MCE 학습 방식을 설명하고, 3장에서 실험 방법 및 결과를 논하고, 그리고 4장에서 결론 및 향후 연구과제에 대하여 기술한다.
- 문장독립형은 인식을 위해 사용하는 어휘를 임의로 자유롭게 발성하므로 문장종속형 보다는 녹취 등의 유출에 더 효과적으로 대처할 수 있다. 본 논문에서는 문장독립형 화자식별을 다룬다.
- 본 논문에서는 문장독립형 화자식별의 성능 개선을 위하여 MCE 학습 방법을 제안하였다. MCE 학습 방법은 인식오류를 최소화하는 학습방법으로 이는 최소 인식오류 확률 값을 정확히 구하는 대신 인식 오류에 발생하는 비용함수를 최소화하는 방법으로, 본 논문에서는 이 방법이 화자식별에 유효한 방법인가를 검증하고자 하였다.
- 본 논문에서는 화자식별을 다루는데, 이는 신원을 청구한 화자의 음성을 입력으로 하여 등록된 화자의 모든 성문모델과 비교하여 유사도가 가장 높은 화자를 선택하는 시스템이다. 화자인식은 인식대상이 되는 음성의 발성 방법에 따라 문장종속형과 문장독립형으로 나뉜다[1].
- 화자 식별 실험의 통일성 및 신뢰성을 위해서 본 논문에서는 mixture 수를 결정하기 위한 실험을 하였다. 남녀 50명에 대해 화자별로 GMM 모델(앞으로는 이방 식을 화자별 GMM이라고 언급한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.