基于多任务与对抗学习的鲁棒口吃检测
音频与语音处理
2022-04-06 v1 机器学习
声音
摘要
通过自动检测与识别口吃，言语病理学家可追踪口吃者（PWS）不流畅症状的发展进程。本文研究了多任务学习（MTL）与对抗学习（ADV）对学习鲁棒口吃特征的影响。这是首次将MTL与ADV用于口吃识别（SI）的初步研究。我们在SEP-28k口吃数据集上评估系统，该数据集包含来自385个播客的约20小时数据。我们的方法取得了有前景的结果，并在多种不流畅类别上优于基线。相较于基线，我们在重复、阻塞和插入三类上分别实现了最高10%、6.78%和2%的提升。
引用
@article{arxiv.2204.01735,
title = {Robust Stuttering Detection via Multi-task and Adversarial Learning},
author = {Shakeel Ahmad Sheikh and Md Sahidullah and Fabrice Hirsch and Slim Ouni},
journal= {arXiv preprint arXiv:2204.01735},
year = {2022}
}
备注
Under Review in European Signal Processing Conference 2022