[论文解读] 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 4

一句话总结

本文提出一种基于高维线性特征的生成音素分类框架，以增强对加性噪声的鲁棒性。通过在不同帧数下对模型进行平均，并结合完整的音素和转换信息，该方法在信噪比低于18dB时优于噪声自适应的PLP分类器，且通过融合波形和PLP对数似然值可获得进一步性能提升。

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.

研究动机与目标

• 通过在线性特征域中实现音素分类鲁棒性，以应对噪声环境。
• 通过在多个帧数下对模型进行平均，解决音素持续时间可变的挑战。
• 通过引入完整的音素和转换信息，超越孤立帧，提升性能。
• 在不同信噪比条件下，将所提出的线性特征方法与噪声自适应PLP分类器进行比较。
• 研究在混合分类器中融合波形和PLP对数似然值所带来的性能增益。

提出的方法

• 开发了一种基于线性特征的孤立音素分类生成框架，支持在特征空间中精确实现噪声适应。
• 通过将每个音素中心的f帧进行拼接形成表示，其中f在一定范围内变化，以应对音素持续时间的变化。
• 通过在多个f值上对分类得分进行平均，提升对持续时间变化的鲁棒性。
• 通过整合完整的音素和转换动态信息，丰富了仅基于中心帧片段的特征表示。
• 在特征空间的线性域中精确应用噪声适应，利用了该空间的线性特性。
• 通过融合声学波形似然值与PLP对数似然值，提出一种联合分类器以提升性能。

实验结果

研究问题

• RQ1 在加性噪声下，线性特征域是否能提供比非线性表示更高的音素分类准确率？
• RQ2 当音素持续时间可变时，对多个帧数（f）进行平均如何改善分类性能？
• RQ3 引入完整的音素和转换信息在多大程度上提升了分类性能？
• RQ4 所提出的线性特征分类器与噪声自适应PLP分类器在不同信噪比水平下的表现如何比较？
• RQ5 在所有噪声水平下，融合波形和PLP对数似然值是否均能带来一致的性能增益？

主要发现

• 所提出的线性特征分类器在信噪比低于18dB时优于噪声自适应PLP分类器，表明其对加性噪声具有更强的鲁棒性。
• 在多个帧数（f）上对模型进行平均，能有效应对音素持续时间的变化，提升分类准确率。
• 与仅使用中心帧的模型相比，引入完整的音素和转换信息可带来可测量的性能增益。
• 结合波形和PLP对数似然值的联合分类器在所有信噪比水平下均优于任一单独分类器。
• 在线性域中实现精确噪声适应，相比非线性且降维的表示，可实现更准确的分类。