基于混合数据输入特征深度神经网络的几何感知波达方向估计
音频与语音处理
2022-12-12 v1 信号处理
摘要
与基于模型的波达方向 (DoA) 估计算法不同，基于深度神经网络 (DNN) 的监督学习 DoA 估计算法通常针对某一特定麦克风阵列几何进行训练，从而在应用于不同阵列几何时性能较差。本文阐明了导致此种敏感性的基于监督学习的算法与基于模型的算法之间的根本差异。为设计一种能良好泛化至不同阵列几何的基于监督学习的 DoA 估计算法，本文提出一种几何感知的 DoA 估计算法。该算法使用全连接 DNN，并以混合数据作为输入特征，即最大化广义互相关相位变换的时间滞后以及假定已知的麦克风坐标。在混响场景下的实验结果表明了所提算法对不同阵列几何的灵活性，并显示出所提算法优于基于模型的算法，如基于相位变换的导向响应功率法。
引用
@article{arxiv.2212.04788,
title = {Geometry-aware DoA Estimation using a Deep Neural Network with mixed-data input features},
author = {Ulrik Kowalk and Simon Doclo and Joerg Bitzer},
journal= {arXiv preprint arXiv:2212.04788},
year = {2022}
}
备注
Submitted to ICASSP 2023