[論文レビュー] Phoneme Classification in High-Dimensional Linear Feature Domains.

Matthew Ager, Zoran Cvetković+1 more|arXiv (Cornell University)|Dec 24, 2013

Music and Audio Processing参考文献 35被引用数 4

ひとこと要約

この論文では、追加ノイズに対する耐性を高めるために、高次元線形特徴を用いた生成的発音子分類フレームワークを提案する。フレーム数の変動に応じてモデルを平均化し、発音子および遷移情報の完全な情報を組み込むことで、SNR 18dB未満の条件下でノイズ適応PLP分類器を上回る性能を達成し、波形とPLP対数尤度の統合によりさらなる性能向上が得られる。

ABSTRACT

Phoneme classification is investigated for linear feature domains with the aim of improving robustness to additive noise. In linear feature domains noise adaptation is exact, potentially leading to more accurate classification than representations involving non-linear processing and dimensionality reduction. A generative framework is developed for isolated phoneme classification using linear features. Initial results are shown for representations consisting of concatenated frames from the centre of the phoneme, each containing f frames. As phonemes have variable duration, no single f is optimal for all phonemes, therefore an average is taken over models with a range of values of f . Results are further improved by including information from the entire phoneme and transitions. In the presence of additive noise, classification in this framework performs better than an analogous PLP classifier, adapted to noise using cepstral mean and variance normalisation, below 18dB SNR. Finally we propose classification using a combination of acoustic waveform and PLP log-likelihoods. The combined classifier performs uniformly better than either of the individual classifiers across all noise levels.

研究の動機と目的

• 線形特徴ドメインを用いて、騒音環境下での発音子分類の耐性を向上させること。
• 発音子持続時間の変動という課題に対処するため、複数のフレーム数にわたるモデルの平均化を実施すること。
• 個々のフレームにとどまらず、完全な発音子および遷移情報を組み込むことで性能を向上させること。
• さまざまなSNR条件下で、提案された線形特徴アプローチとノイズ適応PLP分類器を比較すること。
• ハイブリッド分類器において、波形とPLP対数尤度を統合することで得られる性能向上の程度を調査すること。

提案手法

• 線形特徴を用いた、孤立発音子分類のための生成的フレームワークを開発し、正確なノイズ適応を可能にする。
• 各発音子の中心に位置するfフレームを連結することで表現を形成し、fの値を範囲内で変化させることで発音子持続時間の変動に対応する。
• 複数のf値における分類スコアを平均化することで、持続時間のばらつきに対する耐性を向上させる。
• 中央フレームのセグメントにとどまらず、完全な発音子および遷移ダイナミクスを組み込むことで、特徴表現を豊かにする。
• 特徴空間の線形性を活かし、線形ドメインで正確にノイズ適応を適用する。
• 音声波形尤度とPLP対数尤度を統合することで、性能向上を図るハイブリッド分類器を提案する。

実験結果

リサーチクエスチョン

• RQ1 線形特徴ドメインは、非線形表現よりも追加ノイズ下での発音子分類精度を向上させることができるか？
• RQ2 発音子持続時間が変動する状況で、複数のフレーム数（f）にわたる平均化が分類性能にどのように寄与するか？
• RQ3 完全な発音子および遷移情報を組み込むことで、中央フレームのみを用いたモデルに比べてどの程度性能が向上するか？
• RQ4 提案された線形特徴分類器は、さまざまなSNRレベルでノイズ適応PLP分類器と比較してどのように差をつけるか？
• RQ5 波形とPLP対数尤度を統合することで、すべてのノイズレベルで一貫した性能向上が得られるか？

主な発見

• 提案された線形特徴分類器は、SNR 18dB未満の条件下でノイズ適応PLP分類器を上回り、追加ノイズに対する耐性が向上していることが示された。
• 複数のフレーム数（f）にわたるモデルの平均化は、発音子持続時間の変動に効果的に対処し、分類精度を向上させた。
• 中央フレームのみを用いたモデルに比べ、完全な発音子および遷移情報を組み込むことで、測定可能な性能向上が得られた。
• 波形とPLP対数尤度の両方を用いた統合分類器は、すべてのSNRレベルで個々の分類器よりも一貫して優れた性能を示した。
• 線形ドメインでの正確なノイズ適応により、非線形かつ次元削減された表現よりも、より正確な分類が可能になった。