[논문]딥러닝 기반의 음성/오디오 기술

이영한

딥러닝 기반의 음성/오디오 기술
Speech/Audio Processing based on Deep Learning 원문보기

방송과 미디어 = Broadcasting and media magazine, v.22 no.1, 2017년, pp.47 - 58

이영한 (KETI)

초록이 없습니다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 고에서는 딥러닝 기반의 음성/오디오 분석 기술에 대해 살펴 보았다. 기본적으로 음성/오디오 분석에 사용되는 딥러닝 구조에 대해 살펴보았으며 이를 활용한 다양한 분야의 예시를 살펴보았다.
본 고에서는 딥러닝 기반의 음성/오디오 분석 기술에 대해 살펴 보았다. 기본적으로 음성/오디오 분석에 사용되는 딥러닝 구조에 대해 살펴보았으며 이를 활용한 다양한 분야의 예시를 살펴보았다.
본 고에서는 위에서 설명한 다양한 연구 분야 중에서 음성/오디오 분석에서의 딥러닝 적용 사례를 소개한다. 이에 앞서 음성/오디오 분석에 사용되는 기본 딥러닝 구조인 RNN 구조에 대해 설명한다.
전체 구조는 과 같고 각 latent source별 분류를 통해서 최종적으로 snare 와 kick의 오디오 신호를 분리하는 연구다.

제안 방법

전체 구조는 <그림 16>과 같고 각 latent source별 분류를 통해서 최종적으로 snare 와 kick의 오디오 신호를 분리하는 연구다. NMF의 base를 이용하여 분류하는 방식을 채택하였으며 딥러닝 구조로는 DBN 구조로 하여 구현하였다. 특히 제안된 기법의 경우 기존에 사용하던 방식과 비교하여 특징 벡터 추출 등의 과정이 딥러닝 구조 내부로 흡수되면서 보다 간단하게 구현되었다는 점이 특징이다.
Google Deepmind에서 제안한 Wavenet와 캐나다 몬트리올 대학 연구 팀이 제안한 sampleRNN이 있다[19-20]. Wavenet 은 RNN 구조가 아닌 Causal convolutional layer 라는 개념으로 과거의 정보를 이용할 수 있는 구조를 제안하였다. HTS와 음질 평가를 진행하였는데, 음질 선호도 테스트에서 기존의 방식인 HTS에 비해 향상된 음질을 제공하는 것을 확인하였다.
일반 적으로 오디오 신호 처리에서 RNN 계열의 딥러닝을 사용하는데 비해 본 논문은 CNN을 기반으로 한다는 점이 특징이다. 다양한 길이를 가지는 오디오신호의 특성을 풀기 위해 제안된 연구에서는 입력 mel-spectrogram에서 가운데 특정 길이만큼의 frame을 활용하여 CNN의 입력으로 사용하였다. 또한 일반적인 분류 시스템이 단일 라벨을 기준으로 훈련을 하였다면 제안된 연구에서는 멀티 라벨을 기준으로 하여 훈련을 하였다는 것이 특징이다.
2016년 ISMIR 학회에서 <그림 11>, <그림 12>와 같이 동일한 주제에 대해 논문이 투고되었다. 두 연구 모두 RNN의 구조를 활용하여 제안되었다. 특히 forward direction RNN뿐만 아니라.
다양한 길이를 가지는 오디오신호의 특성을 풀기 위해 제안된 연구에서는 입력 mel-spectrogram에서 가운데 특정 길이만큼의 frame을 활용하여 CNN의 입력으로 사용하였다. 또한 일반적인 분류 시스템이 단일 라벨을 기준으로 훈련을 하였다면 제안된 연구에서는 멀티 라벨을 기준으로 하여 훈련을 하였다는 것이 특징이다.
Backward, Bi-directional RNN 등 다양한 구조에 대해 진행한 결과가 공유되었다. 먼저 1논문에서는 입력신호를 이용하여 kick, snare, hi-hat에 대해 각각 다른 모델을 구성하여 처리하였으며 2논문에서는 단일 모델로 하여 multi-label 구조로 구성하였다. 성능은 두 연구 모두 기존의 방식보다 향상된 결과를 도출하였다.
Deep speech[13]는 2014년 Baidu에 의해 소개되었다. 세부적으로는 spectrogram을 입력으로 하여 CNN과 LSTM 기반의 딥러닝 모듈을 활용하여 개발되었다. 특히 bidirectional LSTM을 적용하여 성능을 향상시켰지만 backward direction 때문에 발생하는 알고리즘 지연으로 인해 실시간 서비스 제공에 단점이 존재했다.
RNN과 비교를 하면 hidden layer 내에 메모리 기능을 넣는 동시에 메모리를 조절(쓰기/지우기/출력하기)할 수 있도록 하며 이를 훈련을 통해서 얻자는 것이 기본 아이디어이다. 실질적으로 hidden layer의 출력이 다음 시간대로 전달되는 RNN과 비교하여 별도의 정보를 추가적으로 전달하면서 처리할 수 있도록 하였다. 일반적으로 LSTM은 기존의 RNN과 비교하여 Long-term dependencies 문제에 강인한 것으로 알려져 있으며 훈련하는데 시간과 데이터가 더 많이 필요로 하지만 풍부한 데이터가 확보된 상황에서는 향상된 성능을 보이는 것으로 알려져 있다.
이는 음성이 없는 파일에서 훈련된 영향이다. 이렇게 나온 결과치를 label로 활용하는 과정을 반복함으로써 제안된 연구에서는 음성 구간을 검출하였다. 이와 함께 guided back-propagation을 이용하여 <그림 15>와 같이 spectrogram 상에서 음성 구역만 찾는 것으로 활용하였다.
이와 함께 guided back-propagation을 이용하여 와 같이 spectrogram 상에서 음성 구역만 찾는 것으로 활용하였다.
이에 앞서 음성/오디오 분석에 사용되는 기본 딥러닝 구조인 RNN 구조에 대해 설명한다. 이후 음성과 오디오 처리에서의 딥러닝 사례를 소개하고 각 사례가 가지는 의미를 정리한다.

이론/모형

2014년 boundary detection을 위한 방법으로 CNN을 이용한 기법이 소개되었다[24]. 제안된 방식에서는 자동 태깅 기법과 마찬가지로 mel-spectrogram을 입력으로 사용하였고, frame별 경계 유무를 판별하기 위해서 sliding-window 기법으로 결과를 도출하였다. 입력된 mel-spectrogram 대비 boundary detection 결과는 <그림 14>와 같다.

성능/효과

Wavenet 은 RNN 구조가 아닌 Causal convolutional layer 라는 개념으로 과거의 정보를 이용할 수 있는 구조를 제안하였다. HTS와 음질 평가를 진행하였는데, 음질 선호도 테스트에서 기존의 방식인 HTS에 비해 향상된 음질을 제공하는 것을 확인하였다. SampleRNN은 각 오디오 샘플 단위의 생성이 가능하다는 점이 차별점이며 tier라는 개념으로 높은 tier의 구조일수록 recurrent 성분이 아닌 입력 성분에 대해 super frame의 개념으로 접근할 수 있다는 점이 특징이다.
SampleRNN은 각 오디오 샘플 단위의 생성이 가능하다는 점이 차별점이며 tier라는 개념으로 높은 tier의 구조일수록 recurrent 성분이 아닌 입력 성분에 대해 super frame의 개념으로 접근할 수 있다는 점이 특징이다. 논문에서는 자체 구현한 Wavenet과의 음질 선호도 평가를 진행하였는데, 제안한 sampleRNN이 Wavenet보다 향상된 품질을 제공하는 것으로 나타났다. 두 방식의 단점으로는 소리를 sample 단위로 생성하기 때문에 연산량이 높다는 점이다.
먼저 1논문에서는 입력신호를 이용하여 kick, snare, hi-hat에 대해 각각 다른 모델을 구성하여 처리하였으며 2논문에서는 단일 모델로 하여 multi-label 구조로 구성하였다. 성능은 두 연구 모두 기존의 방식보다 향상된 결과를 도출하였다. 다만 LSTM이나 GRU를 사용하지 않고 Simple RNN을 사용하여 연구를 진행하였다는 점이 특징이다.

후속연구

특히 그 시작은 음성인식이었다[4]. 즉, DBN 구조의 딥러닝 기술이 음성 인식에 활용하면서 기존의 GMM-HMM framework에서 가지고 있던 성능의 한계를 넘어섰다. 특히 2012년에 ILSVRC에서 이미지 분류 기술에 CNN 기반의 deep learning이 적용되면서 과년도 성능은 물론이고 당해 2위와도 상당한 격차를 나타내면서 1위를 달성하는 Alex-net이 소개되면서 다양한 분야에서 deep learning에 대한 연구가 진행되고 있다[5].

질의응답

핵심어	질문	논문에서 추출한 답변
	기본 RNN의 내부 구조는?	기본 RNN의 내부 구조는 <그림 3>와 같은 형태로 되어 있다. 즉, 상위 layer로 전달되는 출력을 다음 시간대에서 입력과 동시에 받아 처리하는 구조이다. RNN 구조는 Long-term dependencies 측면에서 이론상으로는 시간상 멀리 떨어진 내용도 잘 모델링 할 수 있어야 하지만 실제로는 오래된 과거 내용은 처리하지 못하여 성능이 떨어진다는 단점이 있다.
	뉴럴 네트워크가 침체기를 맞이한 이유는?	특히 backpropagation이 제안된 이후에 multilayer perceptron에 대한 훈련이 가능해지면서 뉴럴 네트워크는 큰 관심을 받았다. 하지만 layer를 쌓을수록 성능이 향상되기보다 local minima에 빠져 성능이 오히려 낮아지는 경우가 보고되면서 한동안 뉴럴 네트워크는 침체기를 맞이하였다. 하지만 2006년 layer를 쌓더라도 local minima에 빠지지 않고 성능이 향상될 수 있는 DBN, RBM 개념을 시작으로 다계층 구조에서도 훈련이 가능한 방법들이 소개되면서 다시 뉴럴 네트워크가 주목 받기 시작했다[1-3].
	다시 뉴럴 네트워크가 주목 받기 시작한 이유는?	하지만 layer를 쌓을수록 성능이 향상되기보다 local minima에 빠져 성능이 오히려 낮아지는 경우가 보고되면서 한동안 뉴럴 네트워크는 침체기를 맞이하였다. 하지만 2006년 layer를 쌓더라도 local minima에 빠지지 않고 성능이 향상될 수 있는 DBN, RBM 개념을 시작으로 다계층 구조에서도 훈련이 가능한 방법들이 소개되면서 다시 뉴럴 네트워크가 주목 받기 시작했다[1-3]. 특히 그 시작은 음성인식이었다[4].

참고문헌 (26)

Hinton, Geoffrey E. et al. "Reducing the dimensionality of data with neural networks." Science, (2006)
Hinton, Geoffrey E., Simon Osindero, and Yee-Whye Teh. "A fast learning algorithm for deep belief nets." Neural computation 18.7 (2006): 1527-1554.

상세보기
Bengio, Yoshua, et al. "Greedy layer-wise training of deep networks." Advances in neural information processing systems 19 (2007): 153.
Hinton, Geoffrey, et al. "Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups." IEEE Signal Processing Magazine 29.6 (2012): 82-97.

상세보기
Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "Imagenet classification with deep convolutional neural networks." Advances in neural information processing systems. (2012).
Donahue, Jeffrey, et al. "Long-term recurrent convolutional networks for visual recognition and description." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (2015).
Dahl, George E., et al. "Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition." IEEE Transactions on Audio, Speech, and Language Processing 20.1 (2012): 30-42.

상세보기
Understanding LSTM Networks, http://colah.github.io/posts/2015-08-Understanding-LSTMs/
The Unreasonable Effectiveness of Recurrent Neural Networks, http://karpathy.github.io/2015/05/21/rnn-effectiveness/
Schuster, Mike, and Kuldip K. Paliwal. "Bidirectional recurrent neural networks." IEEE Transactions on Signal Processing, IEEE, (1997)
Mikolov, Tomas, et al. "Strategies for training large scale neural network language models." Automatic Speech Recognition and Understanding (ASRU), 2011 IEEE Workshop on. IEEE, (2011).
Graves, Alex, Abdel-rahman Mohamed, and Geoffrey Hinton. "Speech recognition with deep recurrent neural networks." 2013 IEEE international conference on acoustics, speech and signal processing. IEEE, (2013).
Hannun, Awni, et al. "Deep speech: Scaling up end-to-end speech recognition." arXiv preprint arXiv:1412.5567(2014).
Amodei, Dario, et al. "Deep speech 2: End-to-end speech recognition in English and mandarin." arXiv preprint arXiv:1512.02595(2015).
A.W. Black, H. Zen, K. Tokuda, "Statistical parametric speech synthesis." 2007 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, (2007).
Speech Synthesis, http://slideplayer.com/slide/3148265/
http://www.slideshare.net/danilosoba1/statistical-parametric-speech-synthesis-heiga-zen
Zen, Heiga, Andrew Senior, and Mike Schuster. "Statistical parametric speech synthesis using deep neural networks." 2013 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, (2013).
van den Oord, Aaron, et al. "Wavenet: A generative model for raw audio." arXiv preprint arXiv:1609.03499(2016)
Soroush Mehri, et al. " SampleRNN: An Unconditional End-to-End Neural Audio Generation Model." https://openreview.net/forum?idSkxKPDv5, under review on ICLR 2017.
Southall, Carl, Ryan Stables, and Jason Hockman. "AUTOMATIC DRUM TRANSCRIPTION USING BI-DIRECTIONAL RECURRENT NEURAL NETWORKS." Proceedings of the International Society for Music Information Retrieval Conference (ISMIR). (2016).
Vogl, Richard, Matthias Dorfer, and Peter Knees. "RECURRENT NEURAL NETWORKS FOR DRUM TRANSCRIPTION." Proceedings of the International Society for Music Information Retrieval Conference (ISMIR). (2016).
Choi, Keunwoo, George Fazekas, and Mark Sandler. "Automatic tagging using deep convolutional neural networks." Proceedings of the International Society for Music Information Retrieval Conference (ISMIR). (2016).
Schluter, Jan, Karen Ullrich, and Thomas Grill. "Structural segmentation with convolutional neural networks mirex submission." 10th running of the Music Information Retrieval Evaluation eXchange (MIREX 2014) (2014).
Schluter, Jan. "Learning to pinpoint singing voice from weakly labeled examples." Proceedings of the International Society for Music Information Retrieval Conference (ISMIR). (2016).
Leimeister, Matthias. "Feature learning for classifying drum components from nonnegative matrix factorization." Audio Engineering Society Convention 138. Audio Engineering Society, (2015).

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증