Robust Relative Transfer Function Identification on Manifolds for Speech Enhancement

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F21%3A00008828" target="_blank" >RIV/46747885:24220/21:00008828 - isvavai.cz</a>

Výsledek na webu

<a href="https://asap.ite.tul.cz/wp-content/uploads/sites/3/2021/10/Manifold_Learning_Beamformer.pdf" target="_blank" >https://asap.ite.tul.cz/wp-content/uploads/sites/3/2021/10/Manifold_Learning_Beamformer.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.23919/EUSIPCO54536.2021.9616175" target="_blank" >10.23919/EUSIPCO54536.2021.9616175</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Robust Relative Transfer Function Identification on Manifolds for Speech Enhancement

Popis výsledku v původním jazyce

Accurate and reliable identification of the relative transfer function (RTF) between microphones with respect to a desired source is an essential component in the design of microphone array beamformers. In this paper, we present a robust RTF identification method on manifolds, tested and trained with real recordings. This method relies on a manifold learning (ML) approach to infer a representation of typical RTFs in a confined area within an acoustic enclosure. We propose a robust supervised identification method that combines the a priori learned geometric structure and the measured signals. A series of experiments using a recently established database of acoustic responses taken at the Bar-Ilan university acoustic lab, demonstrate the effectiveness of the proposed approach over a standard, non-robust, beamforming design method.

Název v anglickém jazyce

Robust Relative Transfer Function Identification on Manifolds for Speech Enhancement

Popis výsledku anglicky

Accurate and reliable identification of the relative transfer function (RTF) between microphones with respect to a desired source is an essential component in the design of microphone array beamformers. In this paper, we present a robust RTF identification method on manifolds, tested and trained with real recordings. This method relies on a manifold learning (ML) approach to infer a representation of typical RTFs in a confined area within an acoustic enclosure. We propose a robust supervised identification method that combines the a priori learned geometric structure and the measured signals. A series of experiments using a recently established database of acoustic responses taken at the Bar-Ilan university acoustic lab, demonstrate the effectiveness of the proposed approach over a standard, non-robust, beamforming design method.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/GA20-17720S" target="_blank" >GA20-17720S: Pokročilé modely směsí pro slepou extrakci signálů</a><br>

Návaznosti

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

Rok uplatnění

2021

Kód důvěrnosti údajů

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

Název statě ve sborníku

European Signal Processing Conference (EUSIPCO 2020)

ISBN

978-908279706-0

ISSN

2219-5491

e-ISSN

—

Počet stran výsledku

4

Strana od-do

401-405

Název nakladatele

Eurasip

Místo vydání

Ireland

Místo konání akce

Dublin

Datum konání akce

1. 1. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000764066600081