論文の概要: Robust Persian Digit Recognition in Noisy Environments Using Hybrid CNN-BiGRU Model

• arxiv url: http://arxiv.org/abs/2412.10857v2
• Date: Tue, 11 Feb 2025 07:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:03:15.371071
• Title: Robust Persian Digit Recognition in Noisy Environments Using Hybrid CNN-BiGRU Model
• Title（参考訳）: ハイブリッドCNN-BiGRUモデルを用いた雑音環境下でのロバストペルシャディジット認識
• Authors: Ali Nasr-Esfahani, Mehdi Bekrani, Roozbeh Rajabi,
• Abstract要約: 本研究は,雑音条件下でのペルシャ文字の孤立認識(ゼロから9)に対処する。 残差畳み込みニューラルネットワークと双方向ゲートユニット(BiGRU)を組み合わせたハイブリッドモデルを提案する。 実験の結果、モデルの有効性が98.53%、96.10%、トレーニング、検証、テストセットにおける95.92%の精度で証明された。
• 参考スコア（独自算出の注目度）: 1.5566524830295307
• License:
• Abstract: Artificial intelligence (AI) has significantly advanced speech recognition applications. However, many existing neural network-based methods struggle with noise, reducing accuracy in real-world environments. This study addresses isolated spoken Persian digit recognition (zero to nine) under noisy conditions, particularly for phonetically similar numbers. A hybrid model combining residual convolutional neural networks and bidirectional gated recurrent units (BiGRU) is proposed, utilizing word units instead of phoneme units for speaker-independent recognition. The FARSDIGIT1 dataset, augmented with various approaches, is processed using Mel-Frequency Cepstral Coefficients (MFCC) for feature extraction. Experimental results demonstrate the model's effectiveness, achieving 98.53%, 96.10%, and 95.92% accuracy on training, validation, and test sets, respectively. In noisy conditions, the proposed approach improves recognition by 26.88% over phoneme unit-based LSTM models and surpasses the Mel-scale Two Dimension Root Cepstrum Coefficients (MTDRCC) feature extraction technique along with MLP model (MTDRCC+MLP) by 7.61%.
• Abstract（参考訳）: 人工知能(AI)は、かなり高度な音声認識応用を持っている。 しかし、既存のニューラルネットワークベースの多くの手法はノイズに悩まされ、現実の環境での精度が低下する。 本研究は、特に音声学的に類似した数字について、雑音条件下でのペルシャ文字の孤立認識(ゼロから9)に対処する。 残差畳み込みニューラルネットワークと双方向ゲートリカレントユニット(BiGRU)を組み合わせたハイブリッドモデルを提案する。 様々なアプローチで強化されたFARSDIGIT1データセットは、特徴抽出のためにMel-Frequency Cepstral Coefficients (MFCC)を使用して処理される。 実験の結果、モデルの有効性が示され、それぞれ98.53%、96.10%、95.92%の精度でトレーニング、検証、テストセットが達成された。 雑音条件下では,提案手法は音素単位に基づくLSTMモデルよりも26.88%向上し,Mel-scale Two Dimension Root Cepstrum Coefficients (MTDRCC) の特徴抽出技術とMLPモデル (MTDRCC+MLP) を7.61%上回る。

関連論文リスト

• Detecting Speech Abnormalities with a Perceiver-based Sequence Classifier that Leverages a Universal Speech Model [4.503292461488901]
  いくつかの神経疾患の音声反射異常を検出するPerceiver-based sequenceを提案する。 このシーケンスとUniversal Speech Model (USM)を組み合わせ、1200万時間に及ぶ多様な音声録音をトレーニング(教師なし)する。 我々のモデルは標準変圧器 (80.9%) および知覚器 (81.8%) モデルより優れ、平均精度は83.1%である。
  論文  参考訳（メタデータ） (2023-10-16T21:07:12Z)
• Complex-valued neural networks for voice anti-spoofing [1.1510009152620668]
  現在のアンチスプーフィングおよびオーディオディープフェイク検出システムは、CQTやメルスペクトログラムのような等級スペクトルベースの特徴または畳み込みやシンク層によって処理される生オーディオを使用する。 本稿では,複雑な数値ニューラルネットワークを用いて入力音声を処理することにより,両手法の利点を組み合わせた新しい手法を提案する。 その結果、この手法は"In-the-Wild"アンチスプーフィングデータセットの従来の手法よりも優れており、説明可能なAIによる結果の解釈を可能にしていることがわかった。
  論文  参考訳（メタデータ） (2023-08-22T21:49:38Z)
• Evaluating raw waveforms with deep learning frameworks for speech emotion recognition [0.0]
  特徴抽出段階なしで生のオーディオファイルをディープニューラルネットワークに直接供給するモデルを表現する。 EMO-DB、RAVDESS、TESS、CREMA、SAVEE、TESS+RAVDESSの6つのデータセットを使用します。 提案モデルは,CNNモデルによるEMO-DBの精度90.34%,RAVDESSの精度90.42%,LSTMモデルによるTESSの精度99.48%,CNNモデルによるCREMAの精度69.72%,CNNモデルによるSAVEEの精度85.76%,の精度90.34%を実行する。
  論文  参考訳（メタデータ） (2023-07-06T07:27:59Z)
• SpeechBlender: Speech Augmentation Framework for Mispronunciation Data Generation [11.91301106502376]
  SpeechBlenderは、誤発音エラーを生成するためのきめ細かいデータ拡張パイプラインである。 提案手法は, ASR 依存型誤発音検出モデルにおいて, Speechocean762 を用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2022-11-02T07:13:30Z)
• The Sound of Silence: Efficiency of First Digit Features in Synthetic Audio Detection [11.52842516726486]
  本研究は,合成音声検出におけるサイレント部分の識別的役割について検討する。 これは、MFCC係数から抽出された1桁の統計が、いかに効率的にロバストな検出を可能にするかを示す。 提案手法は計算軽量であり,多くの異なるアルゴリズムに対して有効である。
  論文  参考訳（メタデータ） (2022-10-06T08:31:21Z)
• Conformer Based Elderly Speech Recognition System for Alzheimer's Disease Detection [62.23830810096617]
  アルツハイマー病(AD)の早期診断は、予防ケアがさらなる進行を遅らせるのに不可欠である。 本稿では,DementiaBank Pitt コーパスをベースとした最新のコンバータに基づく音声認識システムの開発について述べる。
  論文  参考訳（メタデータ） (2022-06-23T12:50:55Z)
• Audio-visual multi-channel speech separation, dereverberation and recognition [70.34433820322323]
  本稿では,音声-視覚的多チャンネル音声分離,デバーベレーション,認識手法を提案する。 音声を用いた場合の視覚的モダリティの利点は、2つのニューラルデバーベレーションアプローチでのみ示される。 LRS2データセットを用いて行った実験から,提案手法がベースラインよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-04-05T04:16:03Z)
• Exploiting Cross Domain Acoustic-to-articulatory Inverted Features For Disordered Speech Recognition [57.15942628305797]
  調音機能は音響信号歪みに不変であり、正常音声の自動音声認識システムにうまく組み込まれている。 本稿では,15時間 TORGO コーパスの並列音響・調音データをモデルトレーニングに用いるクロスドメイン音響・調音(A2A)インバージョン手法を提案する。 クロスドメインは102.7時間のUASpeechコーパスに適応し、調音的特徴を生産する。
  論文  参考訳（メタデータ） (2022-03-19T08:47:18Z)
• On Addressing Practical Challenges for RNN-Transduce [72.72132048437751]
  オーディオデータを収集することなく、よく訓練されたRNN-Tモデルを新しいドメインに適応します。 復号時に計算された複数の特徴を利用して単語レベルの信頼度を求める。 提案手法では,平均で50ms以下の単語のタイミング差が得られる。
  論文  参考訳（メタデータ） (2021-04-27T23:31:43Z)
• Gated Recurrent Fusion with Joint Training Framework for Robust End-to-End Speech Recognition [64.9317368575585]
  本稿では,ロバスト・エンド・ツー・エンドASRのためのジョイント・トレーニング・フレームワークを用いたゲート・リカレント・フュージョン(GRF)法を提案する。 GRFアルゴリズムはノイズと拡張された特徴を動的に組み合わせるために使用される。 提案手法は従来の関節強化・変圧器法に比べて10.04%の相対的文字誤り率(CER)低減を実現する。
  論文  参考訳（メタデータ） (2020-11-09T08:52:05Z)
• Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
  本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。 理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
  論文  参考訳（メタデータ） (2020-10-19T13:05:08Z)

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。