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.
가설 설정
- H1 : speech present : Yk(n) = Xk(n) | Dk(n). (3)
- 음성과 잡음신호의 스펙트럼이 복소 가우시안 분포를 따른다는 가정으로부터 가설 H0와 H1 조건으로 한 확률밀도함수는 아래와 같이 주어진다 [5].
제안 방법
- ., Z-1)를 식 ⑼와 같이 기하평균을 구하여 문턱값과 비교하는 기존의 방법 대신 그림 2와 같이 우도 비를 특징으로 사용하는 SVM에 기반한 음성 검출기를 제안한다.
- [13], 본 논문에서 support vector를 구성하기 위한 훈련 데이터로 사용된 음성 데이터는 각각 4명의 남성, 여성화자가 말한 음성을 8 kHz로 샘플링 하였으며, 총 226초 길이의 깨끗한 음성 데이터를 음성과 비음성 부분으로 10 ms마다 수동으로 표시하여 클래스 z를 구성하였고, 또한 잡음 환경을 고려하여 vehicular, babble, street, white 잡음을 각각 5와 25 dB 사이의 여러 SN压에 대해 부과하였다.
- 7% (4,450 frames)로 구성되었다. 또한 일반적인 음성 검출기의 성능 실험에 사용되는 vehicular, babble, street, white 및 훈련 데이터와의 종속성을 보기 위해 훈련 데이터에서 사용하지 않은 F16 잡음이 5, 10 dB 그리고 20 dB SNR로 부과되었다.
- 7% (4,450 frames)로 구성되었다. 또한 일반적인 음성 검출기의 성능 실험에 사용되는 vehicular, babble, street, white 및 훈련 데이터와의 종속성을 보기 위해 훈련 데이터에서 사용하지 않은 F16 잡음이 5, 10 dB 그리고 20 dB SNR로 부과되었다.
- 본 논문에서 support vector를 구성하기 위한 훈련 데이터로 사용된 음성 데이터는 각각 4명의 남성, 여성화자가 말한 음성을 8 kHz로 샘플링 하였으며, 총 226초 길이의 깨끗한 음성 데이터를 음성과 비음성 부분으로 10ms마다 수동으로 표시하여 클래스 z를 구성하였고, 또한 잡음 환경을 고려하여 vehicular, babble, street, white 잡음을 각각 5와 25 dB 사이의 여러 SNR에 대해 부과하였다.
- 본 논문에서 제안된 SVM을 이용한 음성 검출기의 성능을 평가하기 위해 기존의 우도비 테스트를 이용한 통계적 모델 기반의 음성 검출기의 성능과 receiver operating characteristics (ROC) 곡선을 이용하여 비교하였다 [5], 실험에 사용된 데이터는 기존의 음성 검출 알고리즘에서 성능 비교를 위해 사용된 음성 데이타의 길이를 고려하여 각각 4명의 남성, 여성화자가 말한 총 349초의 음성을 8 kHz로 샘플링하였다 또한 평가를 위해 깨끗한 음성 데이터에 음성과 비음성 부분을 10 ms마다 수동으로 표시하였다. 분류된 음성 데이터의 음성 구간은 총 56.
- 본 논문에서는 식 (6)에서 사용된 각 주파수 채널별 우도비 Ak(k=0,···, L 1)를 식 (9)와 같이 기하평균을 구하여 문턱값과 비교하는 기존의 방법 대신 그림 2와 같이 우도비를 특징으로 사용하는 SVM에 기반한 음성 검출기를 제안한다. 그림 2의 support vector를 구성하기 위하여 훈련용 음성 데이터로부터 특징 벡터 A를 추출한다.
- 본 논문에서는 음성의 존재와 부재에 대한 통계적 모델에 기반한 각 주파수 채널별 우도비를 단순히 기하 평균을 취하여 문턱값과 비교하는 대신, 이진 분류에 우수한 성능을 보이는 SVM을 도입함으로써 더욱 견고한 분류 방법을 바탕으로 기존의 방식보다 향상된 음성 검출기를 제시하였다. 선형 SVM 이외에 입력 특징 벡터의 비선형 특성을 고려하여 RBF 커널을 적용한 비선형 SVM을 실험에 적용하였으며, 다양한 실험 결과에서 얻어낸 ROC 곡선으로부터 제안된 음성 검출기의 성능이 우수함을 알 수 있다.
- 본 논문에서는 음성의 통계적 모델 기반의 음성 검출기의 성능 향상을 위해 기존의 방법에서 제시된 각 주파수 채널별 우도비의 단순한 기하 평균과 문턱값을 비교하는 방법 대신, 주파수별 우도비를 SVM의 특징 벡터로 사용하여 최적화된 이진분류기법에 의존하는 새로운 방식을 제안하였으며, 다양한 잡음환경에서 기존의 통계적 모델 기반의 음성검출기와 성능을 비교하였다.
- 본 논문에서는 음성의 통계적 모델 기반의 음성 검출기의 성능 향상을 위해 기존의 방법에서 제시된 각 주파수 채널별 우도비의 단순한 기하 평균과 문턱값을 비교하는 방법 대신, 주파수별 우도비를 SVM의 특징 벡터로 사용하여 최적화된 이진분류기법에 의존하는 새로운 방식을 제안하였으며, 다양한 잡음환경에서 기존의 통계적 모델 기반의 음성검출기와 성능을 비교하였다.
- 한편, 최근의 음성 검출기의 성능 개선을 위한 새로운 시도로서 기존의 음성 파라미터를 이진 분류에 뛰어난 성능을 보이는 support vector machine (SVM)에 적용하여 우수한 성능의 음성 검출기를 제시하였다 [11-12J.
- 한편, 최근의 음성 검출기의 성능 개선을 위한 새로운 시도로서 기존의 음성 파라미터를 이진 분류에 뛰어난 성능을 보이는 support vector machine (SVM)에 적용하여 우수한 성능의 음성 검출기를 제시하였다 [11-12].
성능/효과
- 각각의 잡음 환경 SNR 10 dB 및 20 dB에서도 5 dB SNR 처럼 제안된 음성 검출기가 기존의 음성 검출기에 비해 향상된 성능을 보였다. 이는 제안된 SVM을 이용한 통계적 모델 기반의 음성 검출기가 다른 SVM 기반의 음성 검출기 보다 다양한 잡음 환경에서도 강인한 음성 검출 방법임을 확인할 수 있다.
- 모든 실험 조건에서 제안된 선형 kernel을 사용한 SVM 기반의 음성 검출기는 LRT 기반의 음성 검출기보다 우수한 성능을 보여주며, 이것은 단순한 기하 평균을 취하는 결정식 보다 SVM이 통계적 모델 기반의 음성 검출기를 위한 결정식에 더욱 적합한 방법임을 보여준다.
- 모든 실험 조건에서 제안된 선형 kernel을 사용한 SVM 기반의 음성 검출기는 LRT 기반의 음성 검출기보다 우수한 성능을 보여주며, 이것은 단순한 기하 평균을 취하는 결정식 보다 SVM이 통계적 모델 기반의 음성 검출기를 위한 결정식에 더욱 적합한 방법임을 보여준다.
- 본 논문에서는 음성의 존재와 부재에 대한 통계적 모델에 기반한 각 주파수 채널별 우도비를 단순히 기하 평균을 취하여 문턱값과 비교하는 대신, 이진 분류에 우수한 성능을 보이는 SVM을 도입함으로써 더욱 견고한 분류 방법을 바탕으로 기존의 방식보다 향상된 음성 검출기를 제시하였다. 선형 SVM 이외에 입력 특징 벡터의 비선형 특성을 고려하여 RBF 커널을 적용한 비선형 SVM을 실험에 적용하였으며, 다양한 실험 결과에서 얻어낸 ROC 곡선으로부터 제안된 음성 검출기의 성능이 우수함을 알 수 있다. 특히 RBF 커널을 적용한 비선형 SVM은 다양한 잡음에서 낮은 Pf 영역을 제외하면 가장 우수한 성능을 보여주었다.
- 비교의 편의를 위해 vehicular 잡음 5 dB SNR이 부가된 음성 파형 대신 깨끗한 음성 파형 도시되어 있다. 선형 SVM의 경우 음성 구간에서의 VAD 결과는 기존의 VAD와 유사한 결과를 보여주는 반면, 비음성 구간과 음성의 onset과 offset 구간에서 일정한 값을 유지함으로써 비음성에 대한 안정적인 출력 결과를 보여주며, 비선형 SVM의 경우 비음성 구간에서 출력 결과의 변동이 있는 반면 음성 구간에서는 다른 VAD에 비해 견고한 출력값을 유지하여 잡음에 강인한 VAD 임을 보여준다.
- 각각의 잡음 환경 SNR 10 dB 및 20 dB에서도 5 dB SNR 처럼 제안된 음성 검출기가 기존의 음성 검출기에 비해 향상된 성능을 보였다. 이는 제안된 SVM을 이용한 통계적 모델 기반의 음성 검출기가 다른 SVM 기반의 음성 검출기 보다 다양한 잡음 환경에서도 강인한 음성 검출 방법임을 확인할 수 있다.
- 제시된 RBF 커널을 사용한 SVM 기반의 음성 검줄기의 경우 훈련 데이터에 사용된 잡음 환경에 관계없이 기존의 SVM 기반의 음성 검출기 보다 다양한 잡은 환경에서 낮은 Pf 구간을 제외하고 가장 우수한 성능을 보이며, 특히 babble 잡음과 street 잡음에서 다른 음성 검출기에 비해 월등히 뛰어난 음성 검출 능력을 보여준다.
- 특히 RBF 커널을 적용한 비선형 SVMe 다양한 잡음에서 낮은 Pf 영역을 제외하면 가장 우수한 성능을 보여주었다.
- 선형 SVM 이외에 입력 특징 벡터의 비선형 특성을 고려하여 RBF 커널을 적용한 비선형 SVM을 실험에 적용하였으며, 다양한 실험 결과에서 얻어낸 ROC 곡선으로부터 제안된 음성 검출기의 성능이 우수함을 알 수 있다. 특히 RBF 커널을 적용한 비선형 SVM은 다양한 잡음에서 낮은 Pf 영역을 제외하면 가장 우수한 성능을 보여주었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.