Investigation of Specaugment for Deep Speaker Embedding Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F20%3APU136464" target="_blank" >RIV/00216305:26230/20:PU136464 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/9053481/authors#authors" target="_blank" >https://ieeexplore.ieee.org/document/9053481/authors#authors</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICASSP40776.2020.9053481" target="_blank" >10.1109/ICASSP40776.2020.9053481</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Investigation of Specaugment for Deep Speaker Embedding Learning

Popis výsledku v původním jazyce

SpecAugment is a newly proposed data augmentation method for speech recognition. By randomly masking bands in the log Mel spectogram this method leads to impressive performance improvements. In this paper, we investigate the usage of SpecAugment for speaker verification tasks. Two different models, namely 1-D convolutional TDNN and 2-D convolutional ResNet34, trained with either Softmax or AAM-Softmax loss, are used to analyze SpecAugments effectiveness. Experiments are carried out on the Voxceleb and NIST SRE 2016 dataset. By applying SpecAugment to the original clean data in an on-the-fly manner without complex off-line data augmentation methods, we obtained 3.72% and 11.49% EER for NIST SRE 2016 Cantonese and Tagalog, respectively. For Voxceleb1 evaluation set, we obtained 1.47% EER.

Název v anglickém jazyce

Investigation of Specaugment for Deep Speaker Embedding Learning

Popis výsledku anglicky

SpecAugment is a newly proposed data augmentation method for speech recognition. By randomly masking bands in the log Mel spectogram this method leads to impressive performance improvements. In this paper, we investigate the usage of SpecAugment for speaker verification tasks. Two different models, namely 1-D convolutional TDNN and 2-D convolutional ResNet34, trained with either Softmax or AAM-Softmax loss, are used to analyze SpecAugments effectiveness. Experiments are carried out on the Voxceleb and NIST SRE 2016 dataset. By applying SpecAugment to the original clean data in an on-the-fly manner without complex off-line data augmentation methods, we obtained 3.72% and 11.49% EER for NIST SRE 2016 Cantonese and Tagalog, respectively. For Voxceleb1 evaluation set, we obtained 1.47% EER.

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

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

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

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings

ISBN

978-1-5090-6631-5

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

7139-7143

Název nakladatele

IEEE Signal Processing Society

Místo vydání

Barcelona

Místo konání akce

Barcelona

Datum konání akce

4. 5. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000615970407081