面向端到端声学波束成形的滤波器组学习
音频与语音处理
2022-02-22 v2 机器学习
声音
信号处理
摘要
近期关于单通道源分离的研究表明,使用具有短窗的全学习滤波器组可提升性能。另一方面,广泛认知的是,对于常规波束成形技术,性能随长分析窗而提升。这也适用于多数依赖深度神经网络(DNN)估计空间协方差矩阵的混合神经波束成形方法。本工作中,我们试图弥合这两个领域间的差距,探索完全端到端的混合神经波束成形,其中除 DNN 外,分析与合成滤波器组也与之联合学习,而非使用短时傅里叶变换。具体而言,我们探索两类学习滤波器组:全学习与解析型。我们利用近期的 Clarity Challenge 数据进行详细分析,表明使用学习滤波器组可在短窗下超越基于 oracle 掩码的波束成形。
引用
@article{arxiv.2111.04614,
title = {Learning Filterbanks for End-to-End Acoustic Beamforming},
author = {Samuele Cornell and Manuel Pariente and François Grondin and Stefano Squartini},
journal= {arXiv preprint arXiv:2111.04614},
year = {2022}
}
备注
accepted at ICASSP 2022