Tiny-CRNN：低资源占用下的流式唤醒词检测
机器学习
2021-10-01 v1 声音
音频与语音处理
摘要
在这项工作中，我们提出 Tiny-CRNN（微型卷积循环神经网络）模型并将其应用于唤醒词检测问题，同时用缩放点积注意力对其进行增强。我们发现，与卷积神经网络模型相比，在 250k 参数预算下，使用基于 Tiny-CRNN 架构的模型可将错误接受率降低 25%，同时参数规模减小 10%；与词级稠密神经网络模型相比，在 50k 参数预算下，参数规模减小 75% 的同时错误接受率最高可降低 32%。我们讨论了利用该架构对流式音频进行推理这一挑战性问题的解决方案，以及相较于 CNN、DNN 和 DNN-HMM 模型在起止索引误差和延迟方面的差异。
引用
@article{arxiv.2109.14725,
title = {Tiny-CRNN: Streaming Wakeword Detection In A Low Footprint Setting},
author = {Mohammad Omar Khursheed and Christin Jose and Rajath Kumar and Gengshen Fu and Brian Kulis and Santosh Kumar Cheekatmalla},
journal= {arXiv preprint arXiv:2109.14725},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2011.12941