1 / 38

Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de Voz

PROYECTO FIN DE MÁSTER. Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de Voz. I v á n L ó p e z E s p e j o. SUMARIO. Introducción y Motivación Fundamentos Teóricos del Sistema Diseño del Filtro Bayesiano Modelado del proceso de ruido

makana
Télécharger la présentation

Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de Voz

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PROYECTO FIN DE MÁSTER Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de Voz I v á n L ó p e z E s p e j o

  2. SUMARIO • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  3. 1. INTRODUCCIÓN Y MOTIVACIÓN • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  4. 1. INTRODUCCIÓN Y MOTIVACIÓN • Acto de hablar: Usualmente en entornos acústicos ruidosos • Alta capacidad de reconocimiento en el ser humano • Necesidad de adaptación de los sistemas ASR • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  5. 1. INTRODUCCIÓN Y MOTIVACIÓN • Acto de hablar: Usualmente en entornos acústicos ruidosos • Alta capacidad de reconocimiento en el ser humano • Necesidad de adaptación de los sistemas ASR • Algunas técnicas para mejorar el matching: • Adaptación de los modelos • Descomposición de HMMs • Realce de las características de voz Filtro de Partículas • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  6. 1. INTRODUCCIÓN Y MOTIVACIÓN • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  7. 1. INTRODUCCIÓN Y MOTIVACIÓN • Motivaciones • Mejora del rendimiento de un sistema ASR • Ventajas de la metodología de realce • Aplicaciones: • Búsqueda de información • Ejecución de transacciones • Control de sistemas (entornos industriales) • … • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  8. 2. FUNDAMENTOS TEÓRICOS DEL SISTEMA • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  9. 2. FUNDAMENTOS TEÓRICOS DEL SISTEMA • Seguimiento:Estimación de la secuencia de estados de un sistema a partir de sus observaciones • Modelo compuesto de dos procesos • Proceso de estados • Proceso observado • Solución MMSE Seguimiento Bayesiano • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  10. 2. FUNDAMENTOS TEÓRICOS DEL SISTEMA • Justificación del filtro de partículas • Evaluación compleja: • Solución: modelado markoviano • Aproximación numérica: (muestreo y remuestreo de importancia + integración de Monte Carlo) • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  11. 3. DISEÑO DEL FILTRO BAYESIANO • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  12. 3. DISEÑO DEL FILTRO BAYESIANO • Seguimiento de ruido en el domino log Mel • Ruido (estado del sistema) • Voz limpia (ruido que contamina la observación) • Voz ruidosa (observación) • Definición del espacio de estados dinámico • Proceso de ruido, • Proceso observado, • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  13. 3.1 Modelado del proceso de ruido • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  14. 3.1 Modelado del proceso de ruido • Codificación de la previsibilidad del ruido: proceso AR en el dominio log Mel Minimizar • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  15. 3.1 Modelado del proceso de ruido • Definición implícita de una distribución gaussiana para el ruido: • Selección de orden unidad para el modelo AR • Distribución a priori modelada como una gaussiana: • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  16. 3.2 Relación entre estados y observaciones • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  17. 3.2 Relación entre estados y observaciones • Se parte de la aproximación: • ¿Cuál es la relación entre las observaciones y el ruido? • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  18. 3.2 Relación entre estados y observaciones • ¿Cuál es la relación entre las observaciones y el ruido? • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  19. 3.2 Relación entre estados y observaciones • ¿Cuál es la relación entre las observaciones y el ruido? • Distribución para la voz limpia: • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  20. 3.2 Relación entre estados y observaciones • Imponemos • Se aplica la ley fundamental de transformación de probabilidades • De esta forma, • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  21. 3.3 Filtro SIR aplicado • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  22. 3.3 Filtro SIR aplicado • Generación de N partículas • Cálculo de pesos normalizados • Remuestreo sobre las partículas • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  23. 3.3 Filtro SIR aplicado • Existencia de problemas en la práctica • Si no se cumple para ningún j DROPOUT • SOLUCIÓN: • Evolución independiente de la observación  Pérdida de la trayectoria de seguimiento • SOLUCIÓN: Procedimiento de reinicialización del filtro ¡NUEVO PROBLEMA! • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  24. 3.3 Filtro SIR aplicado • Existencia de problemas en la práctica • Modos de reinicialización • Generación de nuevas hipótesis sobre la distribución a priori de ruido • Inferir partículas de ruido a partir de muestrear un GMM • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  25. 3.3 Filtro SIR aplicado • Existencia de problemas en la práctica • Pobre modelado de ruido Subestimación de hipótesis • SOLUCIÓN: Se incentiva una futura reinicialización si • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  26. 3.3 Filtro SIR aplicado • Existencia de problemas en la práctica • Mitigación de dropouts TEST DE ACEPTACIÓN RÁPIDA • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  27. 3.3 Filtro SIR aplicado • Modos de inicialización • Uso de las l primeras tramas • Empleo de la distribución a priori de ruido • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  28. 4. TEST Y RESULTADOS • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  29. 4. TEST Y RESULTADOS • Uso de la base de datos Aurora-2 • Empleo del conjunto de test A: • 1001 grabaciones con secuencias de dígitos • Ruidos: metro, multitud conversando, coche y sala de exposiciones • SNRs: -5dB, 0dB, 5dB, 10dB, 15dB, 20dB y caso limpio • Las estimaciones de ruido son usadas en una etapa de VTS para la compensación de las características de voz ruidosa • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  30. 4. TEST Y RESULTADOS • Ajuste de parámetros • Estudio del MSE • Más bien basado en la observación, razonamiento y bibliografía • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  31. 4. TEST Y RESULTADOS • Test de reconocimiento del habla • Aparente independencia del número de partículas • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  32. 4. TEST Y RESULTADOS • Test de reconocimiento del habla • Aparente independencia del número de partículas • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  33. 4. TEST Y RESULTADOS • Test de reconocimiento del habla • Aparente independencia del número de partículas • WAcc = 1 - WER 11.28% 24.02% 11.14% • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  34. 5. CONCLUSIONES • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  35. 5. CONCLUSIONES • Verificación experimental de la utilidad de una técnica de realce • Preferible, por el momento, uso de ruido estimado mediante interpolación espectral: • Mayor rendimiento del sistema ASR • Menor coste computacional • Necesidad de mejorar la calidad de las estimaciones resultantes del filtro de partículas • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  36. 6. TRABAJO FUTURO • Introducción y Motivación • Fundamentos Teóricos del Sistema • Diseño del Filtro Bayesiano • Modelado del proceso de ruido • Relación entre estados y observaciones • Filtro SIR aplicado • Test y Resultados • Conclusiones • Trabajo Futuro • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  37. 6. TRABAJO FUTURO • Solventar usuales pérdidas del seguimiento • Nuevo modelo de ruido a priori • Inclusión del término de fase relativa (FAT innecesario) • Optimización de la implementación • Experimentación con otros conjuntos de test • Actualización del modelo AR de ruido y de la distribución a priori • Uso de un detector de actividad de voz • Experimentar con un filtro RPF • PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo

  38. Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de Voz • GRACIAS

More Related