[論文レビュー] An efficient supervised dictionary learning method for audio signal recognition

Imad Rida, Romain Hérault+1 more|arXiv (Cornell University)|Dec 12, 2018

Speech and Audio Processing参考文献 15被引用数 4

ひとこと要約

本論文では、クラス固有の辞書を学習することで、クラス内均一性を最小限に抑え、クラス間分離性を最大化するための教師あり辞書学習手法を提案している。この手法は、ペアワイズ直交性とスパarsity制御を通じて、音声信号認識の性能を向上させる。計算音響シーン認識および音楽コード認識のタスクで評価された結果、MFCC やクロマベクトルといった手作業で作成された特徴量を上回る最先端の性能を達成し、音楽コードデータセットでは66%の正確度を達成した。

ABSTRACT

Machine hearing or listening represents an emerging area. Conventional approaches rely on the design of handcrafted features specialized to a specific audio task and that can hardly generalized to other audio fields. For example, Mel-Frequency Cepstral Coefficients (MFCCs) and its variants were successfully applied to computational auditory scene recognition while Chroma vectors are good at music chord recognition. Unfortunately, these predefined features may be of variable discrimination power while extended to other tasks or even within the same task due to different nature of clips. Motivated by this need of a principled framework across domain applications for machine listening, we propose a generic and data-driven representation learning approach. For this sake, a novel and efficient supervised dictionary learning method is presented. The method learns dissimilar dictionaries, one per each class, in order to extract heterogeneous information for classification. In other words, we are seeking to minimize the intra-class homogeneity and maximize class separability. This is made possible by promoting pairwise orthogonality between class specific dictionaries and controlling the sparsity structure of the audio clip's decomposition over these dictionaries. The resulting optimization problem is non-convex and solved using a proximal gradient descent method. Experiments are performed on both computational auditory scene (East Anglia and Rouen) and synthetic music chord recognition datasets. Obtained results show that our method is capable to reach state-of-the-art hand-crafted features for both applications.

研究の動機と目的

• 手作業で作成された音声特徴量の限界に対処する。これらの特徴量は多様な音声応用に一般化されにくく、識別力の面でもばらつきがある。
• 機械聴取に適した、データ駆動型で汎用的な表現学習フレームワークを構築する。このフレームワークは、さまざまな音声認識タスクに適応可能である。
• 異なるクラスごとに特徴的な情報を抽出できる、相違性のあるクラス固有の辞書を学習することで、分類性能を向上させる。
• スパarsity制御により分解の複雑さを制御し、クラス辞書間のペアワイズ直交性を最大化することで、クラス分離性を最大化する。
• タスク固有の特徴工学の代わりに、適応的辞書学習に置き換える、原理的でエンドツーエンドの学習フレームワークを提供する。

提案手法

• 各クラスごとに1つの辞書を学習し、クラス固有の多様な信号表現を抽出する。
• クラス固有の再構成誤差、クラス辞書間のペアワイズ直交性、信号表現のスパarsityをバランスさせる非凸最適化問題を最小化する。
• クラス固有の辞書間でペアワイズ直交性を強制することで、冗長性を低減し、識別性を向上させる。
• スパarsityは、スパースコーディング係数に l1-ノルムペナルティを適用することで制御し、分解の複雑さを制限する。
• 非凸で構造化された問題に適した、近接勾配降下法を用いて最適化を解く。
• 学習されたスパース表現を、線形SVMによる分類の入力として使用する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で教師ありの辞書学習アプローチは、多様な応用分野における音声信号認識で、手作業で作成された特徴量を上回ることができるか？
• RQ2 ペアワイズ直交性を有するクラス固有の辞書を学習することで、クラス分離性が向上し、クラス内均一性が低減するか？
• RQ3 分解プロセスにおけるスパarsity制御が、学習された表現の識別力にどの程度向上効果をもたらすか？
• RQ4 本手法は、環境音分類や音楽コード認識などの異なる音声認識タスクに一般化可能か？
• RQ5 シンプルな線形分類器が、本手法の辞書学習フレームワークと組み合わせることで、最先端の性能を達成できるか？

主な発見

• 本手法は、音楽コード認識データセットで66%の分類正確度を達成し、クロマ（19%）、補間されたPSD（15%）、スペクトログ램プール（14%）といった競合特徴量を顕著に上回った。
• 学習されたクラス固有の辞書は、異なるクラス間で低いペアワイズ類似度を示し、学習された表現における多様性の向上と冗長性の低減が確認された。
• イーストアングリアおよびルーエンの計算音響シーン認識データセットにおいて、本手法はMFCCなどの最先端の手作業特徴量と同等またはそれ以上の性能を達成した。
• 学習された辞書上での音声信号のスパースコーディングは、音声サンプル内の潜在的要因の変動を分離する非線形特徴マッピングとして機能する。
• 非凸最適化問題は、近接勾配降下法を用いて効果的に解かれた。これにより、安定的かつ効率的な学習が可能になった。
• 直交性とスパarsity制約を備えた教師ありクラス固有の辞書学習は、音声認識におけるタスク固有の特徴工学の強力な代替手段であることが実証された。