論文の概要: Small-Footprint Open-Vocabulary Keyword Spotting with Quantized LSTM Networks

• arxiv url: http://arxiv.org/abs/2002.10851v1
• Date: Tue, 25 Feb 2020 13:27:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:39:06.754986
• Title: Small-Footprint Open-Vocabulary Keyword Spotting with Quantized LSTM Networks
• Title（参考訳）: LSTMネットワークを用いた小容量オープン語彙キーワードスポッティング
• Authors: Th\'eodore Bluche, Ma\"el Primet, Thibault Gisselbrecht
• Abstract要約: 本稿では,オープン語彙のキーワードスポッティング手法に着目し,モデル全体を再トレーニングすることなく,ユーザが独自のキーワードを定義できるようにする。 ユーザ定義キーワードの任意のセットに対して,小さなデバイス上で動作可能な高速かつ小型のフットプリントシステムを実現するための,さまざまな設計選択について説明する。
• 参考スコア（独自算出の注目度）: 3.8382752162527933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore a keyword-based spoken language understanding system, in which the intent of the user can directly be derived from the detection of a sequence of keywords in the query. In this paper, we focus on an open-vocabulary keyword spotting method, allowing the user to define their own keywords without having to retrain the whole model. We describe the different design choices leading to a fast and small-footprint system, able to run on tiny devices, for any arbitrary set of user-defined keywords, without training data specific to those keywords. The model, based on a quantized long short-term memory (LSTM) neural network, trained with connectionist temporal classification (CTC), weighs less than 500KB. Our approach takes advantage of some properties of the predictions of CTC-trained networks to calibrate the confidence scores and implement a fast detection algorithm. The proposed system outperforms a standard keyword-filler model approach.
• Abstract（参考訳）: 本稿では,キーワードに基づく音声言語理解システムについて検討し,ユーザの意図をクエリ中のキーワード列の検出から直接導き出す方法を提案する。 本稿では,open-vocabularyキーワードスポッティング手法に着目し,モデル全体を再トレーニングすることなく,ユーザが独自のキーワードを定義できるようにする。 ユーザが定義したキーワードの任意のセットに対して,これらのキーワードに固有のデータをトレーニングすることなく,小さなデバイス上で実行することが可能な,高速かつ小さなプリントシステムへのさまざまな設計選択について説明する。 このモデルは、コネクショニスト時間分類(CTC)で訓練された量子化された長短期記憶(LSTM)ニューラルネットワークに基づいており、重量は500KB未満である。 提案手法は,CTC学習ネットワークの予測特性を利用して信頼性スコアを校正し,高速検出アルゴリズムを実装している。 提案方式は,標準キーワードフィラーモデルアプローチを上回っている。

関連論文リスト

• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Few-Shot Open-Set Learning for On-Device Customization of KeyWord Spotting Systems [41.24728444810133]
  本稿では, 深層特徴エンコーダとプロトタイプベース分類器を組み合わせることで, オープンセットKWS分類のための数ショット学習手法について検討する。 Google Speech Commandデータセットの10クラスのユーザ定義キーワードを用いて、10ショットシナリオで最大76%の精度を報告した。
  論文  参考訳（メタデータ） (2023-06-03T17:10:33Z)
• To Wake-up or Not to Wake-up: Reducing Keyword False Alarm by Successive Refinement [58.96644066571205]
  既存の深層キーワードスポッティング機構は逐次リファインメントにより改善可能であることを示す。 13Kパラメーターから2.41Mパラメーターまで、複数のモデルにまたがって、連続精製法はFAを最大8.5%削減する。 提案手法は"plug-and-play"であり,任意の深いキーワードスポッティングモデルに適用できる。
  論文  参考訳（メタデータ） (2023-04-06T23:49:29Z)
• M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [103.6153593636399]
  緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。 これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。 提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-09T09:05:47Z)
• Dummy Prototypical Networks for Few-Shot Open-Set Keyword Spotting [6.4423565043274795]
  スプリットGSCという新しいベンチマーク設定で、数ショットのオープンセットキーワードスポッティングに取り組む。 オープンセットをよりよく検出し,Dummy Prototypeal Networks(D-ProtoNets)というシンプルで強力なアプローチを導入するために,メトリック学習に基づくエピソード有名なダミープロトタイプを提案する。 また,本手法を標準ベンチマーク,miniImageNet,D-ProtoNetsで検証し,FSOSRにおける最先端のオープンセット検出率を示す。
  論文  参考訳（メタデータ） (2022-06-28T01:56:24Z)
• On the Efficiency of Integrating Self-supervised Learning and Meta-learning for User-defined Few-shot Keyword Spotting [51.41426141283203]
  ユーザ定義キーワードスポッティングは、ユーザが定義する新しい音声用語を検出するタスクである。 これまでの研究は、自己教師付き学習モデルを取り入れたり、メタ学習アルゴリズムを適用しようとするものだった。 この結果から,HuBERTとMatching Networkを組み合わせることで,最適な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T10:59:39Z)
• Teaching keyword spotters to spot new keywords with limited examples [6.251896411370577]
  多数のキーワードを認識するタスクに基づいて事前学習した音声埋め込みモデルであるKeySEMを提案する。 KeySEMは、デプロイ後の学習とカスタマイズの容易さが望ましいオンデバイス環境に適している。
  論文  参考訳（メタデータ） (2021-06-04T12:43:36Z)
• MASKER: Masked Keyword Regularization for Reliable Text Classification [73.90326322794803]
  文脈に基づく予測を容易にする微調整手法であるマスク付きキーワード正規化(MASKER)を提案する。 maskerはモデルを規則化し、他の単語からキーワードを再構築し、十分な文脈なしに低信頼の予測を行う。 分類精度を低下させることなくOOD検出とクロスドメインの一般化を改善したMASKERを提案する。
  論文  参考訳（メタデータ） (2020-12-17T04:54:16Z)
• A Correspondence Variational Autoencoder for Unsupervised Acoustic Word Embeddings [50.524054820564395]
  そこで本稿では,変数分割音声セグメントを固定次元表現にマッピングするための教師なしモデルを提案する。 結果として得られる音響単語の埋め込みは、低リソース言語とゼロリソース言語のための検索、発見、インデックスシステムの基礎を形成することができる。
  論文  参考訳（メタデータ） (2020-12-03T19:24:42Z)
• Few-Shot Keyword Spotting With Prototypical Networks [3.6930948691311016]
  キーワードスポッティングは、AmazonのAlexaやGoogle Homeなど、多くの音声インターフェースで広く使用されている。 まず、この問題を数発のキーワードスポッティングとして定式化し、メートル法学習を用いてアプローチする。 そこで我々は,ネットワーク上の時間的および拡張的畳み込みを用いたプロトタイプ的な数ショットキーワードスポッティング問題に対する解を提案する。
  論文  参考訳（メタデータ） (2020-07-25T20:17:56Z)
• Learning To Detect Keyword Parts And Whole By Smoothed Max Pooling [9.927306160740974]
  最大プール損失のスムーズ化とそのキーワードスポッティングシステムへの応用を提案する。 提案手法は、エンコーダ(キーワード部分を検出するために)とデコーダ(キーワード全体を検出するために)を半教師付きで共同で訓練する。 提案した新たな損失関数により,LVCSRのフレームレベルラベルに依存することなく,キーワードの一部と全体を検出するモデルのトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-25T01:19:19Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。