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
- 따라서 본 연구에서는 비정상성 잡음이 존재하는 SNR이 낮은 환경에서도 음성의 구간을 검출하기 위해 주기성 (harmonicity)에 주목하였다. 음성의 70% 이상이 유성음으로 구성되어 있기 때문에 유성음에 초점을 맞추어 유성음 구간을 정확히 검출하기 위한 특징 추출 방법으로 harmonicity를 파라미터화한 harmonic-to-noise ratio (HNR)을 프레임 에너지에가 중하여 harmonic-weighted 에너지를 추출한다.
- 시간영역, 주파수영역, 켑스트럼 영역에서 다양하게 구할 수 있으나 구현 복잡도 및 정확도를 감안했을 때 시간영역에서 입력 신호의 자기상관도(autocorrelation)를 이용한 방법을 일반적으로 사용한다[5]. 본 논문에서는 잡음의 개입에 의해 음성 입력신호를 이용한 피치 검출의 성능이 저하되기 때문에, 보다 정확한 피치 검출을 위해 음성의 엔벨로프(envelop)를 제거한 여기신호(LP residual)의 자기상관도를 이용하여 피치를 검출하였다. 또한, 인간의 피치는 표본화율(sampling rate)이 56~571 Hz의 범위를 가진다는 사실을 적용하였다[5].
- 본 논문은 비정상성 잡음이 존재하는 환경에서 음성구간검출의 성능을 향상시킬 수 있는 특징추출 방법에 대한 연구를 수행하였다. 기존의 특징 추출 방법인 에너지와 영교차율을 이용한 방법, spectral entropy를 이용한 방법, mean delta function을 이용한 방법 등과 ROC 커브, EER 결과를 비교해 본 결과 제안한 harmonic-weighted 에너지의 성능이 가장 높았다.
- 기존의 음성인식 전처리 단은 정확한 음성구간 검출을 위해 잡음제거 단을 필수적으로 수반한다. 하지만 본 논문에서는 잡음 제거의 관점이 아닌 비정상성 잡음이 존재하는 상황에서 비정상성 잡음에 강인한 특징을 추출하는 것을 목표로 한다. 기존의 특징추출 방법 중, 가장 대표적인 방법인 에너지와 영교차율 (zero crossing rate, ZCR)을 이용한 특징 추출 방법은 잡음의 개입에 매우 취약하다.
가설 설정
- 최근 각광받고 있는 특징 추출 방법 중에 하나로, SNR이 낮은 환경에서도 스펙트럼의 크기는 음성구간이 잡음구간보다 조직적으로 나타난다는 가정을 기본으로 한다. 이런 스펙트럼의 “조직적인 정도 (measure of organization)”를 Shannon 의 정보의 엔트로피를 이용하여 표현하고자 한데서 비롯되었다[2].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.