基于独立数据库音频源分离的穿插式多任务学习
声音
2019-08-15 v1 机器学习
音频与语音处理
摘要
基于深度神经网络的源分离方法通常训练独立模型以优化各个源的分离。尽管这对定义明确的分离目标可取得良好性能，但其计算开销也可能很大。单一网络同时联合优化所有目标的替代多任务方案，通常要求每个输入具备所有目标源。这一要求阻碍了构建大型训练数据库的能力。本文中，我们提出一种模型，将可学习参数分解为共享参数化模型（编码器）与针对各源的独立组件（解码器）。我们提出一种穿插式训练流程，独立优化子任务解码器，从而不要求每个样本对其所有组成源都具备真值。在 MUSDB18 上采用所提方法的实验结果显示，其性能与独立训练的模型相当，且可训练参数更少、推理更高效，并且编码器可迁移至未来的目标任务。结果还表明，即便所有组成源均可用，与所有训练目标同步优化相比，使用所提穿插式训练流程能取得更优的源到干扰能量比。
引用
@article{arxiv.1908.05182,
title = {Interleaved Multitask Learning for Audio Source Separation with Independent Databases},
author = {Clement S. J. Doire and Olumide Okubadejo},
journal= {arXiv preprint arXiv:1908.05182},
year = {2019}
}
备注
9 pages, 2 figures