基于 DNN 的蒙特卡洛 Dropout 用于未见噪声的语音增强
音频与语音处理
2018-06-05 v1 声音
摘要
在这项工作中，我们提出使用 dropout 作为贝叶斯估计器，以提升深度神经网络（DNN）在语音增强中的泛化能力。通过使用蒙特卡洛（MC）dropout，我们表明该 DNN 在未见噪声与 SNR 条件下实现了更好的增强效果。DNN 在由 Factory2、M109、Babble、Leopard 和 Volvo 噪声以 0、5 和 10 dB 的 SNR 污染的语音上训练，并在含 white、pink 和 factory1 噪声的语音上测试。语音样本取自 TIMIT 数据库，噪声取自 NOISEX-92。在另一实验中，我们分别用 Factory2、M109、Babble、Leopard 和 Volvo 噪声在 0、5 和 10 dB SNR 下污染的语音训练了五个 DNN 模型。以模型精度（用 MC dropout 估计）作为平方误差的代理，依据各模型在测试数据每一帧上的表现动态选择最优 DNN 模型。
引用
@article{arxiv.1806.00516,
title = {DNN Based Speech Enhancement for Unseen Noises Using Monte Carlo Dropout},
author = {Nazreen P M and A G Ramakrishnan},
journal= {arXiv preprint arXiv:1806.00516},
year = {2018}
}