用于深度噪声抑制的数据增强与损失归一化
音频与语音处理
2020-09-25 v2
摘要
基于神经网络的语音增强近来受到研究界的广泛关注，并正被集成到商用设备与应用中。本文中，我们研究用于监督式基于深度学习的语音增强的数据增强技术。我们表明，不仅将信噪比（SNR）值增强至更宽范围与连续分布有助于正则化训练，增强频谱与动态电平的多样性同样有益。然而，为避免电平增强对训练造成退化，我们通过对基于信号的损失函数施加序列级归一化提出了一种改进。我们在实验中表明，当使用电平相关损失函数时，该归一化克服了在信号电平不平衡的序列上训练所引起的退化。
引用
@article{arxiv.2008.06412,
title = {Data augmentation and loss normalization for deep noise suppression},
author = {Sebastian Braun and Ivan Tashev},
journal= {arXiv preprint arXiv:2008.06412},
year = {2020}
}
备注
to appear in Proc. 22nd International Conference on Speech and Computer (SPECOM), 2020