基于仅指数浮点量化神经网络（EOFP-QNN）的语音增强研究
音频与语音处理
2018-11-01 v4 人工智能
机器学习
声音
信号处理
摘要
大量研究已探讨神经网络量化在模式分类任务上的有效性。本研究首次探讨了使用一种新颖的仅指数浮点量化神经网络（EOFP-QNN）进行语音增强（语音处理中的回归任务）的性能。所提出的 EOFP-QNN 包含两阶段：尾数量化与指数量化。在尾数量化阶段，EOFP-QNN 学习如何量化模型参数的尾数位，同时以最小尾数精度保持回归精度。在指数量化阶段，参数的指数部分被进一步量化而不引起任何额外的性能下降。我们在两类神经网络（即双向长短期记忆（BLSTM）与全卷积神经网络（FCN））的语音增强任务上评估了所提出的 EOFP 量化技术。实验结果表明，模型尺寸可显著减小（量化后 BLSTM 与 FCN 模型的尺寸分别仅为原始模型的 18.75% 与 21.89%），同时保持令人满意的语音增强性能。
引用
@article{arxiv.1808.06474,
title = {A study on speech enhancement using exponent-only floating point quantized neural network (EOFP-QNN)},
author = {Yi-Te Hsu and Yu-Chen Lin and Szu-Wei Fu and Yu Tsao and Tei-Wei Kuo},
journal= {arXiv preprint arXiv:1808.06474},
year = {2018}
}