基于分层循环神经网络的嵌入式设备轻量级在线降噪
音频与语音处理
2020-06-24 v1 声音
摘要
基于深度学习的降噪算法已证明其成功，尤其针对非平稳噪声，这使得人们也希望将其用于助听器（HAs）等嵌入式设备。然而，目前使用最先进的方法尚无法实现这一点。这些方法要么需要大量参数和计算能力，因此仅在使用现代 CPU 时才可行；要么不适合在线处理，而在线处理要求滤波器组及算法本身具有低延迟等约束。在本工作中，我们提出一种基于掩码的降噪方法。利用分层循环神经网络，我们能够在通过分层连接引入时间上下文的同时，大幅减少每层的神经元数量。这使我们能够针对最小参数数量和浮点运算次数（FLOPs）优化模型，同时保持与先前工作相当的降噪质量。我们最小的网络仅含 5k 参数，这使得该算法可应用于嵌入式设备。我们在 EUROM 与真实世界噪声数据库的混合数据上评估模型，并报告在未见噪声上的客观指标。
引用
@article{arxiv.2006.13067,
title = {Lightweight Online Noise Reduction on Embedded Devices using Hierarchical Recurrent Neural Networks},
author = {Hendrik Schröter and Tobias Rosenkranz and Alberto N. Escalante-B. and Pascal Zobel and Andreas Maier},
journal= {arXiv preprint arXiv:2006.13067},
year = {2020}
}