SVAD: A ROBUST, LOW-POWER, AND LIGHT-WEIGHT VOICE ACTIVITY DETECTION WITH SPIKING NEURAL NETWORKS
第二章 目标说话人提取之《Svad:一个鲁棒、低功耗、轻量级的语音活动检测与尖峰神经网络》
文章目录
- [SVAD: A ROBUST, LOW-POWER, AND LIGHT-WEIGHT VOICE ACTIVITY DETECTION WITH SPIKING NEURAL NETWORKS](#SVAD: A ROBUST, LOW-POWER, AND LIGHT-WEIGHT VOICE ACTIVITY DETECTION WITH SPIKING NEURAL NETWORKS)
- 前言
- 一、任务
- 二、动机
- 三、挑战
- 四、方法
-
- 1.
- 2.LIF神经元模型
- [3. 具有注意力的听觉编码器](#3. 具有注意力的听觉编码器)
- 4.
- [5 损失函数](#5 损失函数)
- 五、实验评价
- 六、结论
- 七、知识小结
前言
语音新手入门，学习读懂论文。
本文作者机构是新加坡国立大学，天津大学，香港中文大学。
一、任务
本文介绍了一种新的基于snn的VAD模型，即sVAD，该模型的特点是听觉编码器具有基于snn的注意机制。
二、动机
脉冲神经网络(snn)在生物学上是合理的，而且节能。
三、挑战
基于snn的VAD在噪声条件下会遭受显著的性能损失。
实现最佳性能通常需要大型SNN模型。
四、方法
1.
本文提出的基于snn的VAD模型由两个关键组件组成:1)带注意的听觉编码器，将原始音频输入转换为峰值特征帧;2)专门用于逐帧语音活动检测任务的分类器。
2.LIF神经元模型
我们采用广泛认可的Leaky Integrate-and-Fire (LIF)模型16来研究尖峰神经元。LIF神经元整合突触输入，直到其膜电位超过放电阈值，导致输出峰传递给后续神经元。LIF神经元的动态由以下离散时间表达式捕获:
U l i t表示神经元i在第l层的膜电位，il i t表示t时刻的输入电流。α表示膜电位衰减常数，v表示神经元放电阈值，wl−1 ij表示前一层中神经元j的连接权值，bl I表示注入神经元I的恒电流。输出尖峰的发生，记为oli t−1，使用尖峰激活函数确定。
Θ(·)为Heaviside阶跃函数。
3. 具有注意力的听觉编码器
我们的研究利用了成熟的听觉编码器SincNet，该编码器以其出色的特征提取能力而闻名。通过将SincNet集成到我们的听觉编码器中，我们增强了特征提取，提高了基于snn的VAD模型在各种噪声条件下的性能，同时保持了轻量级配置。
一维卷积层引入可训练参数，增强编码器对数据特征的适应性，并通过训练提高性能。受ConvTasNet的启发17，我们通过在sincnet处理的特征中添加基于snn的1D卷积层(sConv1D)来扩展这种数据驱动能力。这使编码器能够在训练期间优化听觉特征提取。此外，sConv1D输出尖峰，便于将原始音频转换为尖峰表示，用于后续基于snn的处理。
为了增强VAD模型的鲁棒性，特别是在低信噪比条件下，我们引入了一种受人类听觉系统掩蔽效应启发的注意机制。
我们将提取的特征Y置于三层基于snn的全连接(sFC)层中，以得出一个注意掩码M。随后，我们利用这个注意掩码来调制提取的特征，生成被关注的特征。
可训练的三层sFC块优化了不同声学条件下的注意Mask。
4.
为了增强序列建模能力，我们使用带有循环连接的SNN建立分类器，称为sRNN。与前馈处理更新公式(Eq.(2))不同，循环神经元的更新方程包含了一个额外的循环连接项。
5 损失函数
分类损失和注意屏蔽损失。对于分类损失，我们采用交叉熵(CE)。x1, x2表示单热编码(语音为0,1，非语音为1,0)，pc为输入属于c类的Softmax概率。为了计算注意掩码损失，我们使用均方误差(MSE)。
S为干净语音特征，N为特征中元素的总数，k为元素的索引。
五、实验评价
1.数据集
QUT-NOISETIMIT数据集。该数据集包含600小时的有噪声语音。该数据集将来自TIMIT数据集的干净语音记录与现实世界的噪声场景(如咖啡馆、汽车、家庭、街道和混响环境)相结合。数据集分为三个噪声级别:低(信噪比= +15dB， +10dB)，中(信噪比= +5dB, 0dB)和高(信噪比= -5dB， -10dB)。
2.消融实验
3.客观评价
我们使用帧级半总错误率(HTER)，平均缺失率(MR)和虚警率(FAR)来报告结果。
在所有基于snn的模型中，我们的模型对编码器使用最小的帧移(即15ms)(例如，14中的20ms)，从而产生最低的延迟。
结果表明，除了CNN和CLC模型外，我们的sVAD模型优于大多数模型。这可以归因于CNN和CLC模型使用更大的帧大小和移位来进行决策(与我们的模型相比，CNN的帧大小和移位超过5倍，CLC的帧大小和移位超过3倍)，从而增加了延迟。本研究的主要重点是在噪声条件下开发基于snn的鲁棒、低功耗和轻量化VAD模型，而不是追求最高的HTER性能。
4.主观评价
六、结论
作者开发了一种新的基于snn的VAD模式，该模式包括一个用于特征提取的听觉编码器和一个用于分类的sRNN。实验结果表明，该方法具有噪声鲁棒性好、功耗低、占用空间小等优点。消融研究进一步验证了我们提出的听觉编码器的有效性和鲁棒性。