[論文レビュー] Speaker Recognition using Deep Belief Networks

Adrish Banerjee, Akash Dutt Dubey+3 more|arXiv (Cornell University)|May 9, 2018

Speech Recognition and Synthesis参考文献 16被引用数 8

ひとこと要約

本論文では、原始的な音声信号から短時間スペクトル特徴を学習し、それらを従来のMFCCと組み合わせることで話者認識を向上させる、深層信念ネットワーク（DBN）に基づく手法を提案する。この手法はELSDSRデータセットで95％の精度を達成し、MFCCのみを使用した場合の90％よりも5ポイント高い。これは、DBNで学習された特徴が、話者識別に向けた音声の統計的構造をよりよくモデル化できることを示している。

ABSTRACT

Short time spectral features such as mel frequency cepstral coefficients(MFCCs) have been previously deployed in state of the art speaker recognition systems, however lesser heed has been paid to short term spectral features that can be learned by generative learning models from speech signals. Higher dimensional encoders such as deep belief networks (DBNs) could improve performance in speaker recognition tasks by better modelling the statistical structure of sound waves. In this paper, we use short term spectral features learnt from the DBN augmented with MFCC features to perform the task of speaker recognition. Using our features, we achieved a recognition accuracy of 0.95 as compared to 0.90 when using standalone MFCC features on the ELSDSR dataset.

研究の動機と目的

• 音声信号から判別的な短時間スペクトル特徴を学習するため、深層信念ネットワーク（DBN）を活用して話者認識性能を向上させること。
• MFCCのような手作業で作成された特徴に依存するという制限を克服し、音声に内在する複雑な統計的パターンを十分に捉えきれない問題に対処すること。
• DBNを用いた生成的事前学習が、従来の手法と比較してより頑健な話者表現をもたらすかどうかを検討すること。
• 標準ベンチマークデータセット上で、DBNで学習した特徴とMFCCを組み合わせたハイブリッド特徴表現の有効性を検証すること。

提案手法

• 著者らは、原始的な音声フレーム上で、グリーディ層別アンサンブレッド学習アプローチを用いて事前学習された深層信念ネットワーク（DBN）を用い、階層的かつ低レベルのスペクトル表現を抽出する。
• DBNは短時間音声セグメント上で学習され、音声信号の統計的構造を捉えるコンactな高次元表現を学習する。
• DBNの可視層から得られた特徴が抽出され、標準的なMFCC特徴と連結されて、ハイブリッド入力表現が形成される。
• 分類器（おそらくソフトマックスまたはSVM）が、連結された特徴ベクトル上で学習され、話者認識が実行される。
• モデルは、話者認識の標準ベンチマークであるELSDSRデータセット上で評価される。
• DBNは、話者分類タスクに最適化するため、教師ありの微調整が施される。

実験結果

リサーチクエスチョン

• RQ1 深層信念ネットワークは、話者認識の目的で、原始的な音声信号から判別的な短時間スペクトル特徴を効果的に学習できるか？
• RQ2 DBNで学習した特徴と従来のMFCCを組み合わせた場合、MFCCのみを使用する場合と比較して、話者認識システムの性能がどの程度向上するか？
• RQ3 DBNにおける生成的事前学習と階層的特徴学習は、話者識別に向けた音声の統計的構造のモデリングをどの程度向上させるか？
• RQ4 ハイブリッド特徴表現（DBN + MFCC）は、標準ベンチマーク上での認識精度に顕著な向上をもたらすか？

主な発見

• 提案手法は、ELSDSRデータセット上で95％の話者認識精度を達成し、ベースラインのMFCCのみのシステムを顕著に上回った。
• MFCCのみを用いたベースラインシステムは90％の精度を示し、DBNで学習した特徴を組み込むことで5ポイントの向上が得られた。
• 結果から、DBNで学習した特徴が、MFCC単体よりもより判別力があり、頑健な話者特徴を捉えていることが示された。
• ハイブリッド特徴表現（DBN特徴 + MFCC）は、音声信号の背後にある統計的構造のモデリングを改善し、より良い一般化性能をもたらした。
• DBNの成功は、原始的な音声データに対する非教師あり事前学習が、話者認識タスクにおいて意味のある表現を生成できることを示唆している。
• 本研究は、深層生成モデルが音声処理アプリケーションにおいて、従来の手作業特徴と効果的に補完できることを確認した。