Fugu-MT 論文翻訳(概要): Joint Robust Voicing Detection and Pitch Estimation Based on Residual Harmonics

論文の概要: Joint Robust Voicing Detection and Pitch Estimation Based on Residual Harmonics

arxiv url: http://arxiv.org/abs/2001.00459v1
Date: Sat, 28 Dec 2019 13:45:29 GMT
ステータス: 処理完了
システム内更新日: 2023-01-17 13:03:08.342816
Title: Joint Robust Voicing Detection and Pitch Estimation Based on Residual Harmonics
Title（参考訳）: 残留高調波に基づくジョイントロバストなボッキング検出とピッチ推定
Authors: Thomas Drugman, Abeer Alwan
Abstract要約: 提案した基準は、ピッチ推定だけでなく、音声の発声区間を決定するためにも用いられる。この手法は特に添加音に強いことが示され、悪条件の大幅な改善につながった。
参考スコア（独自算出の注目度）: 23.523461173865737
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper focuses on the problem of pitch tracking in noisy conditions. A method using harmonic information in the residual signal is presented. The proposed criterion is used both for pitch estimation, as well as for determining the voicing segments of speech. In the experiments, the method is compared to six state-of-the-art pitch trackers on the Keele and CSTR databases. The proposed technique is shown to be particularly robust to additive noise, leading to a significant improvement in adverse conditions.
Abstract（参考訳）: 本稿では,騒音環境におけるピッチトラッキングの問題に着目する。残差信号における調和情報を用いた方法を示す。提案した基準は、ピッチ推定だけでなく、音声の発声区間を決定するためにも用いられる。実験では,KeeleおよびCSTRデータベース上の6つの最先端ピッチトラッカーと比較した。提案手法は, 付加音に対して特に頑健であることが示され, 悪条件の大幅な改善につながった。

関連論文リスト

Maximum Likelihood Estimation of the Direction of Sound In A Reverberant Noisy Environment [0.8702432681310399]
残響環境における音の方向を音の伝搬の基本原理から推定する新しい手法について述べる。音波分解後の方向成分の時間遅延とエネルギーからSNR適応特性を利用する。
論文参考訳（メタデータ） (2024-06-24T19:42:22Z)
SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文参考訳（メタデータ） (2024-03-21T08:49:34Z)
Optimal distributed multiparameter estimation in noisy environments [0.3093890460224435]
ノイズ非感受性戦略の発見と改善方法について検討する。 GHZ状態の逐次探索は, 最大4。
論文参考訳（メタデータ） (2023-06-01T18:32:53Z)
Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
論文参考訳（メタデータ） (2022-11-02T15:03:50Z)
Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
論文参考訳（メタデータ） (2022-08-05T14:47:22Z)
Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文参考訳（メタデータ） (2022-02-22T04:24:26Z)
Analysing the Noise Model Error for Realistic Noisy Label Data [14.766574408868806]
本研究では,ノイズモデルの予測誤差を導出して,理論的な側面から推定ノイズモデルの品質について検討する。 NLPドメインから新たなノイズラベルデータセットであるNoisyNERも公開しています。
論文参考訳（メタデータ） (2021-01-24T17:45:15Z)
A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
論文参考訳（メタデータ） (2020-10-07T04:45:09Z)
Glottal source estimation robustness: A comparison of sensitivity of voice source estimation techniques [11.97036509133719]
本稿では,音声波形から直接音源を推定する問題に対処する。 ADR(Anticausality Dominated Regions)に基づく新しい原理は、スロットル開相を推定するために用いられる。
論文参考訳（メタデータ） (2020-05-24T08:13:47Z)
Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文参考訳（メタデータ） (2020-04-06T06:34:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。