Feature And Score Level Combination Of Subspace Gaussians In LVCSR Task

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F13%3APU106379" target="_blank" >RIV/00216305:26230/13:PU106379 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.fit.vutbr.cz/research/groups/speech/publi/2013/motlicek_icassp2013_0007604.pdf" target="_blank" >http://www.fit.vutbr.cz/research/groups/speech/publi/2013/motlicek_icassp2013_0007604.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Feature And Score Level Combination Of Subspace Gaussians In LVCSR Task

Popis výsledku v původním jazyce

We have demonstrated that the SGMM framework is an efficient approach in the LVCSR task. Overall evaluations of SGMMs exploiting powerful but complex PLP-BN features yield similar results as those obtained by conventional HMM/GMMs. Nevertheless, the total number of SGMM parameters is about 3 times less than in the HMM/GMM framework. Evaluation results also indicate different properties of the examined acoustic modeling techniques. Although SGMMs consistently outperform HMM/GMMs when built over individual features, HMM/GMMs can benefit much more from the feature-level combination than SGMMs. Nevertheless based on an analysis measuring complementarity of individual recognition systems, we show that SGMM-based recognizers produce heterogeneous outputs (scores) and thus subsequent score-level combination can bring additional improvement.

Název v anglickém jazyce

Feature And Score Level Combination Of Subspace Gaussians In LVCSR Task

Popis výsledku anglicky

We have demonstrated that the SGMM framework is an efficient approach in the LVCSR task. Overall evaluations of SGMMs exploiting powerful but complex PLP-BN features yield similar results as those obtained by conventional HMM/GMMs. Nevertheless, the total number of SGMM parameters is about 3 times less than in the HMM/GMM framework. Evaluation results also indicate different properties of the examined acoustic modeling techniques. Although SGMMs consistently outperform HMM/GMMs when built over individual features, HMM/GMMs can benefit much more from the feature-level combination than SGMMs. Nevertheless based on an analysis measuring complementarity of individual recognition systems, we show that SGMM-based recognizers produce heterogeneous outputs (scores) and thus subsequent score-level combination can bring additional improvement.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GPP202%2F12%2FP604" target="_blank" >GPP202/12/P604: Rozpoznávání řeči pro jazyky s omezeným množstvím trénovacích zdrojů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of ICASSP 2013

ISBN

978-1-4799-0355-9

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

7604-7608

Název nakladatele

IEEE Signal Processing Society

Místo vydání

Vancouver

Místo konání akce

Vancouver

Datum konání akce

27. 5. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—