GMM-supervector를 사용한 SVM 기반화자분류에 대한 연구
A Study on SVM-Based Speaker Classification Using GMM-supervector
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문에서는 GMM-supervector를 특징 파라미터로 하는 SVM 기반 화자 분류에 대해서 실험하였다. 실험을 위한 화자클러스터를 생성하기 위해서 기존의 SNR 기반 가중치를 반영한 KL거리 기반 화자변화검출을 실행하였다. SVM 기반 화자분류는 2단계로 이루어져있다. 1단계는 UBM과 화자 모델들간의 SVM 기반 분류를 시행하여 각 클러스터에 화자 정보를 인덱싱한 다음 화자별로 그룹핑한다. 2단계는 화자 클러스터 그룹에 UBM과 화자모델들간의 SVM 기반 분류를 시행한다. SVM의 커널 함수로는 Linear와 RBF를 사용하였다. 실험결과, 1단계에서는 Linear 커널이 화자 클러스터 148개, MDR 0,FAR 47.3, ER 50.7로 좋은 성능으로 보였다. 2단계 실험결과도 Linear 커널이 화자 클러스터 109개, MDR 1.3, FAR 28.4, ER32.1로 좋은 성능을 보였다.
Abstract
In this paper, SVM-based speaker classification is experimented with GMM-supervector. To create a speaker cluster,conventional speaker change detection is performed with the KL distance using the SNR-based weighting function. SVM-based speaker classification consists of two steps. In the first step, SVM-based classification between UBM andspeaker models is performed, speaker information is indexed in each cluster, and then grouped by speaker. In the secondstep, the SVM-based classification between UBM and speaker models is performed by inputting the speaker clustergroup. Linear and RBF are applied as kernel functions for SVM-based classification. As a result, in the first step, thecase of applying the linear kernel showed better performance than RBF with 148 speaker clusters, MDR 0, FAR 47.3, andER 50.7. The second step experiment result also showed the best performance with 109 speaker clusters, MDR 1.3, FAR28.4, and ER 32.1 when the linear kernel was applied.
참고문헌 (12)
- Aaron E. Rosenberg, "Speaker detection in broadcast news data", Proc. ICSLP ’98, 4, pp.1339~1343 (1998)
- 조준범, "SNR 기반 가중 KL 거리를 활용한 화자 변화 검증에 관한 연구", 융합정보논문지, 7(6), pp.159~166 (2017), 중소기업융합학회[DOI]
- 조준범, "GMM-UBM 기반 KL 거리를 활용한 화자변화 검증에 대한 연구", 융합정보논문지, 6(4), pp.71~77 (2016), 중소기업융합학회[DOI]
- W. M. Campbell, "Support vector machines using GMM supervectors for speaker verification", IEEE Signal Processing Letters, 13(5), pp.308~311 (2006)[DOI]
- W. M. Campbell, "Support vector machines for speaker and language recognitionm", Computer Speech & Language, 20(2), pp.210~229 (2006)
- Deepika Kancherla, "Effect of Different Kernels on the Performance of an SVM Based Classification", IJRTE, 5S4(7), pp.2277~3878 (2019)
- C. Cortes, "Support-vector network", Machine Learning, 20(3), pp.273~297 (1995)[DOI]
- D. DeCoste, "Alpha seeding for support vector machines", Proceedings of the 6th ACM SIGKDD international conf. on Knowledge discovery and data mining, pp.345~349 (2000), ACM
- Ngoc Nam BUI, "A Non-linear GMM KL and GUMI Kernel for SVM Using GMM-UBM Supervector in Home Acoustic Event Classification", IEICE TRANS. FUNDAMENTALS, E97.A(8), pp.1791~1794 (2014)[DOI]
- S. Theodoridis, "Support Vector Machines: The Non-linear Case, Pattern Recognition", pp.198~200 (2008), Academic Press
- Mariette Awad, "Efficient Learning Machines", pp.39~66 (2015), Apress
- Mehmet Gonen, "Multiple Kernel Learning Algorithms", Journal of Machine Learning Research, 12, pp.2211~2268 (2011)