检索结果-南通市图书馆

作者：杨宇奇哈尔滨工业大学

学位级别：硕士

说话人确认（Speaker Verification）是一项判断某段语音是否来自于给定说话人的技术。随着互联网的迅速发展和移动设备的广泛普及,采集一个人的语音数据已经变得越来越容易,这极大的方便和促进了说话人确认技术的研究。经过数十年的发... 详细信息

说话人确认（Speaker Verification）是一项判断某段语音是否来自于给定说话人的技术。随着互联网的迅速发展和移动设备的广泛普及,采集一个人的语音数据已经变得越来越容易,这极大的方便和促进了说话人确认技术的研究。经过数十年的发展,虽然该技术已经获得了长足的进步,但是短语音条件下的说话人确认因为数据短、说话人身份信息很少,导致难以提取出足够充分的说话人区分性信息,进而影响着模型的打分与判别和系统整体的识别效果。因此短语音说话人确认仍然是一项具有挑战性的任务。针对短语音说话人确认问题,本文的研究内容主要包括以下几个方面:（1）提出了一个基于多分支聚合（Multi-Branch Aggregation,MBA）网络的说话人嵌入特征提取方法。鉴于单通道系统难以提取充分的说话人身份信息,以时延神经网络（Time-Delay Neural Network,TDNN）为基础,增加提高了节点数和时延值的Large＿TDNN（L＿TDNN）网络以及降低了节点数和时延值的Small＿TDNN（S＿TDNN）网络构成多分支结构,提取多个通道的特征,然后通过池化层后使用特征拼接对多分支结果进行聚合。实验结果表明,该方法在测试语音上取得了比基线系统更好的性能。（2）提出了一个基于多分支多尺度聚合（Multi-Branch and Multi-Scale Aggregation,MBMSA）网络的说话人嵌入特征提取方法。鉴于在每个单独的通道中特征从网络低层传输到高层过程中存在信息丢失的问题,需要把传输过程中丢失的信息重新找回来,在每次特征传输时可以把低层网络的信息尽可能保留下来,因此在多分支网络中采用可以实现上述需求的多尺度聚合方法,以进一步提高算法性能。该方法的实现需要体现出不同网络层之间尺度的多样化,所以使用基于卷积神经网络（Convolutional Neural Networks,CNN）的残差网络（Residual Networks,ResNet）构建多分支多尺度聚合网络。实验结果表明,提出的多分支多尺度聚合网络在短语音说话人确认问题上能够取得较好的效果。

关键词：说话人确认短语音时延神经网络多分支聚合多分支多尺度聚合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多分支融合变分细化蒸馏的跨模态行人重识别

引用

重庆工商大学学报（自然科学版） 2024年第4期41卷 77-85页

作者：王路遥王凤随陈元妹安徽工程大学电气工程学院安徽芜湖241000 检测技术与节能装置安徽省重点实验室安徽芜湖241000 高端装备先进感知与智能控制教育部重点实验室安徽芜湖241000

目的针对目前跨模态行人重识别研究中对行人细腻区域关注不足以及网络易受噪声影响的问题,提出一种多分支融合变分细化蒸馏学习方法。方法首先,网络通过多分支聚合不同粒度的全局特征,督促深层网络学习两种模态的全局信息和细节信息,丰... 详细信息

目的针对目前跨模态行人重识别研究中对行人细腻区域关注不足以及网络易受噪声影响的问题,提出一种多分支融合变分细化蒸馏学习方法。方法首先,网络通过多分支聚合不同粒度的全局特征,督促深层网络学习两种模态的全局信息和细节信息,丰富行人的特征描述符;然后,结合变分细化蒸馏策略,对特征信息进行再压缩,保留与任务相关的深层信息,同时丢弃无用的干扰物;最后,将网络捕获的不同特征用多种损失函数联合监督,以提高网络对行人表征的敏感度。结果所提方法在SYSU-MM01数据集的全搜索模式下,R-1和mAP分别达到66.93%和65.25%;在RegDB数据集的可见光到红外设置下,R-1和mAP分别达到78.26%、77.83%。结论通过消融实验、对比实验和可视化实验,充分验证了所提方法的有效性。

关键词：行人重识别跨模态多分支聚合变分细化蒸馏多损失

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于元学习与图神经网络的小样本图像分类算法研究

基于元学习与图神经网络的小样本图像分类算法研究

引用

作者：司运欣西安理工大学

学位级别：硕士

在大数据时代的背景下,深度学习技术逐渐在各个领域中取得了成功。但在实际的应用场景中,大规模标注数据集的采集难度大、标注成本高,造成了训练网络模型样本量不足、无法获得有效模型的问题。因此如何通过少量的标签样本来对网络模型... 详细信息

在大数据时代的背景下,深度学习技术逐渐在各个领域中取得了成功。但在实际的应用场景中,大规模标注数据集的采集难度大、标注成本高,造成了训练网络模型样本量不足、无法获得有效模型的问题。因此如何通过少量的标签样本来对网络模型进行训练,使其能够从小样本数据中进行有效的学习,逐渐引起了人们的关注。而图神经网络凭借其优良的可解释性以及能充分利用已有样本特征信息的优点,使其在小样本图像分类任务中逐渐得到应用。本文将结合元学习的训练策略,来对基于图神经网络的小样本图像分类算法进行研究。在基于图神经网络的小样本图像分类算法中,通常利用浅层的特征提取网络来获取图像特征,以此作为初始节点来构建初始的图结构,进而在后续的更新过程中完成对相邻节点信息的传播与聚合。为解决浅层网络带来的特征提取效果不佳的问题,本文加入基于图像旋转的自监督学习方法来为特征提取网络加入额外的监督信号;同时在网络中加入Shuffle Attention注意力机制,使网络更加关注到重要的目标物上。通过这两种方法来提升特征提取网络的性能,进而对初始节点中包含的特征信息进行增强。同时在小样本数据背景下,为了让图神经网络进一步挖掘样本中节点特征与边权特征的隐藏信息,本文提出了多分支聚合图神经网络MAGN。该网络主要包括两个部分:多分支节点特征聚合模块在网络更新的过程中,将不同分支上代表不同深度的节点特征进行有效的聚合;多分支边权聚合模块将不同分支上的边权以取最大值的方式进行聚合,为最终的图神经网络分类提供了更多的依据。最后在mini-ImageNet、CUB-200-2011和CIFAR-FS三个小样本数据集上进行实验,并进行相关的分析,实验结果表明本文提出的算法在三个数据集上均获得了不同程度的提升,验证了算法的有效性。

关键词：小样本图像分类图神经网络自监督学习注意力机制多分支聚合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：