Audio-visual speech enhancement system is regarded to be one of promising solutions for isolating and enhancing speech of desired speaker. Conventional methods focus on predicting clean speech spectrum via a naive convolution neural network based encoder-decoder architecture, and these methods a) not adequate to use data fully and effectively, b) cannot process features selectively. The proposed model addresses these drawbacks, by a) applying a model that fuses audio and visual features layer by layer in encoding phase, and that feeds fused audio-visual features to each corresponding decoder layer, and more importantly, b) introducing soft threshold attention into the model to select the informative modality softly. This paper proposes attentional audio-visual multi-layer feature fusion model, in which soft threshold attention unit are applied on feature mapping at every layer of decoder. The proposed model demonstrates the superior performance of the network against the state-of-the-art models.


翻译:常规方法侧重于通过基于编码器-解码器的天真神经网络结构预测清洁的言语频谱,这些方法a)不足以充分有效地使用数据,b)不能有选择地处理特征;拟议模式处理这些缺陷,办法是:(a) 采用一种模型,在编码阶段逐层地结合视听特征层,并给每个相应的解码器层注入混合的视听特征,更重要的是,b) 在模型中引入软门槛关注,以便以软方式选择信息模式;本文建议采用有注意的视听多层特征聚合模型,在每一个解码器层的地貌绘图中应用软门槛关注单位。

0
下载
关闭预览

相关内容

语音增强是指当语音信号被各种各样的噪声干扰、甚至淹没后,从噪声背景中提取有用的语音信号,抑制、降低噪声干扰的技术。一句话,从含噪语音中提取尽可能纯净的原始语音。
专知会员服务
37+阅读 · 2020年10月15日
专知会员服务
29+阅读 · 2020年9月13日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
vae 相关论文 表示学习 2
CreateAMind
6+阅读 · 2018年9月9日
《pyramid Attention Network for Semantic Segmentation》
统计学习与视觉计算组
44+阅读 · 2018年8月30日
语音顶级会议Interspeech2018接受论文列表!
专知
6+阅读 · 2018年6月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
Arxiv
6+阅读 · 2019年4月8日
Arxiv
8+阅读 · 2018年11月27日
Recurrent Fusion Network for Image Captioning
Arxiv
3+阅读 · 2018年7月31日
VIP会员
相关VIP内容
专知会员服务
37+阅读 · 2020年10月15日
专知会员服务
29+阅读 · 2020年9月13日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Top
微信扫码咨询专知VIP会员