基于深度聚类Deep clustering单通道语音分离

论文一：基于深度聚类的单通道多语音分离

核心工作：通过信号调节（正则化、加深网络结构）将基本DPCL系统性能极大地提升
提升方法：Drop-out、调整网络结构、训练策略等
Drop-out设置：随机节点置零有可能会让LSTM的记忆能力；在前向连接的每个时期对置零掩码采样，循环连接的每个时序进行一次采样，每个门用一个循环置零掩码，
网络结构：双层BLSTM并且前面用一个前置反馈层来产生嵌入层。
训练策略：
1. 训练阶段，语音分成不重叠的固定长度片段，并用来计算梯度；
2. 测试阶段，因为网络和聚类被赋予完整的语音片段，因此可以在全局解决排列问题；
3. 总体就是用较短的片段进行预训练，用较长的片段做训练会效果更好
4. 使用两、三声源进行混合训练实现多风格的训练方式
信号重构：
DPCL虽然解决了对每个声源的主导区域进行频谱分割的问题，但仍存在难以从其他声源恢复主导区域声源的问题

论文二：(DPCL)深度聚类：用于分割和分离的区分性嵌入层

核心工作：提出一种将对比嵌入分量到每个频谱的时频区域，从混合语音中隐式地预测目标频谱的分离标签的深度网络。该系统在双声源甚至三声源测试中效果显著。
实验设置：
1. 两种未知语音的分离
2. 三种未知语音的分离
3. 三种已知语音的分离（测试阶段又分为相同的语音源和不同的语音源）
聚类方法：
1. 全局嵌入层上的K均值聚类
2. 每片100帧上进行的局部K均值聚类
实验结论：
1. DC无论是在开集还是闭集训练中均得到很好的效果，因此能推广到未知的说话人
2. 嵌入至少20维度的嵌入层效果才有较好提升
3. BLSTM无法应对未知说话人的情况，说明基于类的方法无法应对排列未知的问题
4. DC方法可以在只双声源训练的情况下很好地区分三声源