面向小 footprint 关键词 spotting 的深度残差学习
计算与语言
2018-09-24 v2
摘要
我们探索了深度残差学习与空洞卷积在关键词 spotting 任务中的应用，以最近发布的 Google Speech Commands Dataset 作为基准。我们最佳的残差网络（ResNet）实现在准确率上显著优于 Google 此前的卷积神经网络。通过调整模型深度与宽度，我们可获得同样优于此前小 footprint 变体的紧凑模型。据我们所知，我们首次将这些方法用于关键词 spotting，且我们的结果确立了开源的 state-of-the-art 参考，以支持未来基于语音的接口开发。
引用
@article{arxiv.1710.10361,
title = {Deep Residual Learning for Small-Footprint Keyword Spotting},
author = {Raphael Tang and Jimmy Lin},
journal= {arXiv preprint arXiv:1710.10361},
year = {2018}
}
备注
Published in ICASSP 2018