用于高效关键词 spotting 的广播残差学习
声音
2023-07-06 v4 机器学习
音频与语音处理
摘要
关键词 spotting 是一个重要的研究领域，因为它在智能设备的唤醒与用户交互中起着关键作用。然而，在手机等资源受限设备上高效运行的同时最小化错误率颇具挑战。我们提出一种广播残差学习方法，以在小模型尺寸与计算负载下实现高精度。我们的方法将大多数残差函数配置为 1D 时间卷积，同时仍允许通过广播残差连接（将时间输出扩展至频率-时间维度）使用 2D 卷积。该残差映射使网络能以远少于传统卷积神经网络的计算量有效表示有用的音频特征。我们还基于广播残差学习提出一种新颖的网络架构——Broadcasting-residual network（BC-ResNet），并描述如何根据目标设备的资源对模型进行扩展。BC-ResNet 在 Google speech command 数据集 v1 和 v2 上分别取得最先进的 98.0% 和 98.7% top-1 准确率，且在使用更少计算量与参数的情况下持续优于以往方法。代码见 https://github.com/Qualcomm-AI-research/bcresnet。
引用
@article{arxiv.2106.04140,
title = {Broadcasted Residual Learning for Efficient Keyword Spotting},
author = {Byeonggeun Kim and Simyung Chang and Jinkyu Lee and Dooyong Sung},
journal= {arXiv preprint arXiv:2106.04140},
year = {2023}
}
备注
Proceedings of INTERSPEECH 2021