Fugu-MT 論文翻訳(概要): RNNoise-Ex: Hybrid Speech Enhancement System based on RNN and Spectral Features

論文の概要: RNNoise-Ex: Hybrid Speech Enhancement System based on RNN and Spectral Features

arxiv url: http://arxiv.org/abs/2105.11813v1
Date: Tue, 25 May 2021 10:32:08 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 13:39:54.637429
Title: RNNoise-Ex: Hybrid Speech Enhancement System based on RNN and Spectral Features
Title（参考訳）: RNnoise-Ex:RNNとスペクトル特徴に基づくハイブリッド音声強調システム
Authors: Constantine C. Doumanidis (1), Christina Anagnostou (1), Evangelia-Sofia Arvaniti (1), Anthi Papadopoulou (1) ((1) Aristotle University of Thessaloniki)
Abstract要約: 近年,騒音抑制のためのディープラーニング手法の活用への関心が高まり,ハイブリッド・デノナイジング・システム(Hybrid Denoising Systems)が誕生した。本稿では,修正システムのセットアップ過程を包括的に説明し,性能評価分析から得られた比較結果について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent interest in exploiting Deep Learning techniques for Noise Suppression, has led to the creation of Hybrid Denoising Systems that combine classic Signal Processing with Deep Learning. In this paper, we concentrated our efforts on extending the RNNoise denoising system (arXiv:1709.08243) with the inclusion of complementary features during the training phase. We present a comprehensive explanation of the set-up process of a modified system and present the comparative results derived from a performance evaluation analysis, using a reference version of RNNoise as control.
Abstract（参考訳）: 近年、ノイズ抑圧のためのディープラーニング技術の利用への関心が高まり、古典的な信号処理とディープラーニングを組み合わせたハイブリッドDenoising Systemsが誕生した。本稿では,学習段階における補完的特徴を取り入れたRNノイズ認知システム(arXiv:1709.08243)の拡充に力を注ぐ。本稿では,修正システムのセットアップ過程を包括的に説明し,RNNoiseの参照バージョンを制御として,性能評価分析から得られた比較結果を示す。

関連論文リスト

Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation [55.752737615873464]
本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。
論文参考訳（メタデータ） (2024-10-18T02:31:36Z)
CDLNet: Noise-Adaptive Convolutional Dictionary Learning Network for Blind Denoising and Demosaicing [4.975707665155918]
アンロール最適化ネットワークは、ディープニューラルネットワークを構築するための解釈可能な代替手段を提供する。本稿では,非学習型畳み込み辞書学習ネットワーク(CDLNet)を提案する。具体的には,提案モデルが類似パラメータ数にスケールした場合に,完全畳み込みモデルやJDDモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2021-12-02T01:23:21Z)
Active Restoration of Lost Audio Signals Using Machine Learning and Latent Information [0.7252027234425334]
本稿では, ステガノグラフィー, ハーフトニング(ディザリング), 最先端の浅層・深層学習法の組み合わせを提案する。本研究では,信号対雑音比(SNR),目標差次数(ODG),およびハンセンの音質測定値を用いて,塗装性能の向上を示す。
論文参考訳（メタデータ） (2021-11-21T20:11:33Z)
Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
論文参考訳（メタデータ） (2021-10-28T20:39:02Z)
Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文参考訳（メタデータ） (2021-08-03T19:24:25Z)
Robust Learning of Recurrent Neural Networks in Presence of Exogenous Noise [22.690064709532873]
入力雑音を受けるRNNモデルに対するトラクタブルロバストネス解析を提案する。線形化手法を用いてロバストネス測度を効率的に推定することができる。提案手法はリカレントニューラルネットワークのロバスト性を大幅に改善する。
論文参考訳（メタデータ） (2021-05-03T16:45:05Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
CDLNet: Robust and Interpretable Denoising Through Deep Convolutional Dictionary Learning [6.6234935958112295]
unrolled optimization networksは、ディープニューラルネットワークを構築するための解釈可能な代替案を提案する。提案したモデルが,同様のパラメータ数にスケールすると,最先端のデノイジングモデルに勝ることを示す。
論文参考訳（メタデータ） (2021-03-05T01:15:59Z)
Evolving Deep Convolutional Neural Networks for Hyperspectral Image Denoising [6.869192200282213]
本稿では,HSIを効果的に識別する最適な畳み込みニューラルネットワーク(CNN)を自動構築する新しいアルゴリズムを提案する。提案アルゴリズムの実験は、最先端の競合相手とよく設計され比較されている。
論文参考訳（メタデータ） (2020-08-15T03:04:11Z)
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)
ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。