Αποτελέσματα - Λεπτομέρειες
Εντολή Αναζήτησης : Συγγραφέας="Τσακαλίδης"
Και Συγγραφέας="Παναγιώτης"
Τρέχουσα Εγγραφή: 8 από 66
|
|
| Κωδικός Πόρου |
000452048 |
| Τίτλος |
Neural networks for the quality and intelligibility enhancement of speech |
|
Συγγραφέας
|
PV, Muhammed Shifas I.
|
|
Σύμβουλος διατριβής
|
Στυλιανού, Ιωάννης
|
|
Μέλος κριτικής επιτροπής
|
King, Simon
Cooke, Martin
Τσακαλίδης, Παναγιώτης
Κατσαμάνης, Αθανάσιος
Κομοντάκης, Νικόλαος
Πανταζής, Γιάννης
|
| Περίληψη |
Η ομιλία είναι ο πιο αποτελεσματικός τρόπος επικοινωνίας ιδεών που
δημιουργούνται στο ανθρώπινο μυαλό. Ωστόσο, η προφορική επικοινωνία στην
πραγματική ζωή συχνά επηρεάζεται από τον θόρυβο στο περιβάλλον, ο οποίος
μπορεί να μειώσει σημαντικά την καταληπτότητα και την αντιληπτή ποιότητα του
σήματος. Τεχνικές για τη βελτίωση της επικοινωνίας έχουν προταθεί στο παρελθόν
και έχουν δοκιμαστεί με επιτυχία σε σύγχρονες συσκευές όπως το Amazon Alexa,
επιτρέποντάς της να λειτουργεί σε αντίξοες συνθήκες. Ο θόρυβος περιβάλλοντος
μπορεί να διαταράξειτόσο τη λήψη σήματος από μια συσκευή όσο καιτην αντίληψη
της ομιλίας από τον ακροατή. Οι τεχνικές βελτίωσης ομιλίας (SE) αναπτύσσονται για
την αποκατάσταση της ομιλίας από τις θορυβώδεις παρατηρήσεις της και οιτεχνικές
βελτίωσης της ακρόασης (LE) έχουν σχεδιαστεί για να βελτιώνουν την
καταληπτότητα αλλάζοντας την ομιλία πριν από την έκθεσή της σε θόρυβο, καθώς η
φυσικά παραγόμενη ομιλία δεν είναι πάντα πολύ κατανοητή. Ως εκ τούτου, τόσο το
SE όσο και το LE είναι απαραίτητα στις σύγχρονες συσκευές για να λειτουργήσουν
σε διάφορες ακουστικές συνθήκες. Συχνά τα συστήματα SE και LE λειτουργούν ως
δύο ανεξάρτητες μονάδες σε σύγχρονες συσκευές, οι οποίες περιορίζουν την
απόδοσή τους. Η προσπάθεια σε αυτή τη διπλωματική εργασία είναι να
συνδυαστούν οι τεχνικές βελτίωσης SE και LE ώστε να έχουμε ένα σύστημα από
άκρη-σε-άκρη για εφαρμογές επικοινωνίας. Προσεγγίζουμε το πρόβλημα από τη
σκοπιά των νευρωνικών δικτύων. Ως εκ τούτου, επινοήθηκαν πολλαπλές νέες
αρχιτεκτονικές για SE και LE, και οι ιδέες από αυτά τα μοντέλα έχουν χρησιμοποιηθεί
για την κατασκευή του τελικού συστήματος από άκρη-σε-άκρη. Τα παραδοσιακά
συστήματα που βασίζονται σε στατιστικά είχαν περιορισμούς για την πλήρη
μοντελοποίηση της δυναμικής της ομιλίας και του θορύβου. Τα νευρωνικά δίκτυα
έχουν προκύψει ως εναλλακτική προσέγγιση για τη μοντελοποίηση δεδομένων. Ως
εκ τούτου, αυτή η διατριβή επανεξετάζει τα προβλήματα SE και LE από την οπτική
των νευρωνικών δικτύων.
Όσον αφορά τη βελτίωση ομιλίας (SE), έχουν εφευρεθεί τρεις νέες αρχιτεκτονικές,
δύο από τις οποίες βρίσκονται στο χώρο των χαρακτηριστικών και ένα στο πεδίο της
κυματομορφής. Οι αρχιτεκτονικές στο πεδίο των χαρακτηριστικών
πραγματοποιούν την εργασία βελτίωσης της ομιλίας στην αναπαράσταση
βραχυχρόνιου μετασχηματισμού Fourier (STFT), επομένως, είναι παραμετρικά
λιγότερο περίπλοκες. Χαρακτηριστικά από τη δισδιάστατη (2D) αναπαράσταση της
ομιλίας εξάγονται με τη χρήση νευρικού κυττάρου gruCNN, το οποίο βρέθηκε
αποτελεσματικό στην απομόνωση θορύβων με υψηλή διακύμανση. Το μοντέλο
gruCNN-SE έχει ξεπεράσει τα υπερσύγχρονα συστήματα βελτίωσης ομιλίας με
τυπικά συνελικτικά νευρωνικά δίκτυα (CNN) και δίκτυα μακράς βραχυπρόθεσμης
μνήμης (LSTM). Στη συνέχεια, προτείνεται μια αμφίδρομη επέκταση της ενότητας
gruCNN (BigruCNN) με τη συμπερίληψη εξαρτήσεων προς τα πίσω μεταξύ των 2D
πλαισίων. Επιπλέον, παρουσιάζεται ένα νέο δίκτυο πεδίου κυματομορφής με
χαρακτηριστικό μοτίβο διαστολής (SE-FFTNet). Το SE-FFTNet βρέθηκε
αποτελεσματικό στην εκμάθηση της στατιστικής ανομοιότητας της ομιλίας και του
θορύβου σε μια θορυβώδη παρατήρηση.
Όσον αφορά τη βελτίωση της ακρόασης (LE), προτείνεται μια νέα αρχιτεκτονική
παρόμοια με το WaveNet για τη βελτίωση της καταληπτότητας του ακροατή στο
θόρυβο (wSSDRC). Το σύστημα wSSDRC εκτελεί τόσο φασματική διαμόρφωση (SS)
όσο και συμπίεση δυναμικού εύρους (DRC) της εισόδου για βελτίωση της
ευκρίνειας. Βρέθηκε ότι το μοντέλο έχει ως αποτέλεσμα μια μέση απόλυτη αύξηση
καταληπτότητας 39% για κανονική ακοή και 38% για ακροατές με προβλήματα
ακοής σε στάσιμο θόρυβο κατά τη διάρκεια της μη επεξεργασμένης ομιλίας.
Στη συνέχεια, προτείνεται ένα νέο σύστημα από άκρη-σε-άκρη το οποίο συνδυάζει
τους στόχους του SE καιτου LE για να ενισχύσει την καταληπτότητα των θορυβωδών
παρατηρήσεων. Το σύστημα από άκρη-σε-άκρη βρέθηκε να αυξάνει το ποσοστό
σωστών λέξεων-κλειδιών των ακροατών σε στάσιμο θόρυβο από 2,5% σε 60% στην
είσοδο SNR 0 dB και από περίπου 10% σε 75% σε SNR εισόδου 5 dB, σε σύγκριση
με την μη επεξεργασμένη ομιλία, ενώ ξεπερνούσε σημαντικά το σύστημα με
διαδοχική εφαρμογή της SE ακολουθούμενη από LE.
|
| Φυσική περιγραφή |
156 σ. : σχεδ., πιν., εικ. (μερ. εγχρ.) ; 30 εκ. |
| Γλώσσα |
Αγγλικά |
| Ημερομηνία έκδοσης |
2022-12-02 |
| Συλλογή
|
Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Διδακτορικές διατριβές
|
|
|
Τύπος Εργασίας--Διδακτορικές διατριβές
|
| Μόνιμη Σύνδεση |
https://elocus.lib.uoc.gr//dlib/6/6/d/metadata-dlib-1667821856-979724-22866.tkl
|
| Εμφανίσεις |
501 |
Αναζήτηση
