[ICML14] Towards End-to-End Speech Recognition with Recurrent Neural Networks-Alex Gravesz

最新推荐文章于 2025-01-04 13:37:47 发布
原创 最新推荐文章于 2025-01-04 13:37:47 发布 · 399 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #语音识别

神经网络 | DeepVO:Towards End-to-End Visual Odometry
尘世冰封的专栏
03-28 2597
博主github：https://github.com/MichaelBeechan 博主优快云：https://blog.youkuaiyun.com/u011344545 DeepVO代码：链接：https://pan.baidu.com/s/1bSNuZaj0KouXAXlhM4XK_g 提取码：wpzz 论文：http://www.cs.ox.ac.uk/files/9026/DeepVO.pdf ...
Speech Recognition Using attention-based sequence-to-sequence methods
weixin_44391984的博客
02-12 435
Abstract—Speech is one of the most important and prominent manner to communicate among human being. It also has capacity to become a kind of medium when facing the human computer interaction. Speech recognition has become a popular area across research ins
【10】Towards End-to-End Speech Recognitionwith Recurrent Neural Networks.pdf
08-26
This paper presents a speech recognition system that directly transcribes audio data with text, without requiring an intermediate phonetic representation. The system is based on a combination of the deep bidirectional LSTM recurrent neural network architecture and the Connectionist Temporal Classification objective function. A modification to the objective function is introduced that trains the network to minimise the expectation of an arbitrary transcription loss function. This allows a direct optimisation of the word error rate, even in the absence of a lexicon or language model. The system achieves a word error rate of 27.3% on the Wall Street Journal corpus with no prior linguistic information, 21.9% with only a lexicon of allowed words, and 8.2% with a trigram language model. Combining the network with a baseline system further reduces the error rate to 6.7%.
(8) [ICML14] Towards End-to-End Speech Recognition with Recurrent Neural Networks
gdtop的个人笔记
03-04 2348
计划完成深度学习入门的126篇论文第八篇，多伦多大学的Alex Gravesz在End-to-End Deep RNN在Speech Recognition方向上的论文续作。 ABSTRACT&INTRODUCTION 摘要 本文提出了一种语音识别系统，该系统不需要中间语音表示，直接用文本对音频数据进行转录。该系统是基于深度双向LSTM递归神经网络结构和连接主义者的时间分类目标函数相...
EESEN:使用深RNN模型和基于WFST的解码进行端到端语音识别
暮木的博客
03-14 1356
论文： EESEN: END-TO-END SPEECH RECOGNITION USING DEEP RNN MODELS AND WFST-BASED DECODING 摘要 文本提出了Eesen框架，该框架极大地简化了构建最优ASR系统的流程。声学建模包括使用RNN学习预测上下文无关目标(音素或字符),为了消除预先生成的帧标签的需求，本文采用了CTC目标函数来推断语音和标签序列之前的对齐方式。Eesen一个显著特征是基于加权有限状态转换机(WFST)解码方式，该方法可将词典和...
(7) [IEEEAcoustic13] SPEECH RECOGNITION WITH DEEP RECURRENT NEURAL NETWORKS
gdtop的个人笔记
03-04 3228
计划完成深度学习入门的126篇论文第七篇，多伦多大学的Geoffrey和Alex Graves发表关于End-to-End Deep RNN在Speech Recognition方向上的论文。 ABSTRACT&INTRODUCTION 摘要 Recurrent neural networks(RNNs)是一种强大的序列数据模型。端到端训练方法，如Connectionist Temp...
【论文阅读】DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks
博客标题不能为空我也没办法
02-23 1997
端到端的视觉里程计，采用CNN提取特征，使用LSTM进行位姿推理
General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model
最新发布
DeepHao'Blog
01-04 849
随着人们对人工光学字符的智能处理需求日益增长，传统的OCR系统（OCR-1.0）已越来越不能满足人们的使用需求。本文，我们将所有人工光学信号（例如纯文本、数学/分子式、表格、图表、乐谱甚至几何图形）统称为“字符”，并提出了通用OCR理论以及一个优秀的模型GOT，以推动OCR-2.0的到来。GOT拥有580M参数，是一个统一、优雅、端到端的模型，由高压缩编码器和长上下文解码器组成。作为OCR-2.0模型，GOT可以在各种OCR任务下处理上述所有“字符”。
[论文阅读]TextDragon: An End-to-End Framework for Arbitrary Shaped Text Spotting阅读笔记
SpicyCoder的博客
03-12 2482
TextDragon: An End-to-End Framework for Arbitrary Shaped Text Spotting阅读笔记 文章被收录于ICCV2019 [论文地址]:http://openaccess.thecvf.com/content_ICCV_2019/html/Feng_TextDragon_An_End-to-End_Framework_for_Arbitra...
CTC 论文阅读笔记
yanhe156的博客
05-15 959
读语音识别的论文Towards End-to-End Speech Recognition with Recurrent Neural Networks时，看到了这个名词。 Sayre’s paradox出现在1973年手写体识别的论文中： A standard statement of the paradox is that a cursively written word cannot ...
Alex Graves大神的论文
03-07
This paper presents a speech recognition sys- tem that directly transcribes audio data with text, without requiring an intermediate phonetic repre- sentation. The system is based on a combination of the deep bidirectional LSTM recurrent neural network architecture and the Connectionist Tem- poral Classification objective function.
speech recognition with deep recurrent neural networks-论文笔记
thy_2014的专栏
01-11 3066
论文题目：speech recognition with deep recurrent neural networks 作者：Alex Graves, Abdel-rahman Mohamed and Geoffrey Hinton 论文中第2部分，介绍关于RNN的一些知识： 对于一个给定的输入序列 x = (x1, ..., xT), 一个标准的RNN通过迭代下面一系列方程来计算隐
(9) [CS15] Fast and Accurate Recurrent Neural Network Acoustic Models for Speech Recognition
gdtop的个人笔记
03-04 950
计划完成深度学习入门的126篇论文第九篇，Google的Has¸im Sak使用RNN用在Acoustic Models for Speech Recognition方向上的论文。 ABSTRACT&INTRODUCTION 摘要 最近我们发现，作为语音识别的声学模型，深度长短期记忆(LSTM)递归神经网络(RNNs)优于前馈深度神经网络(DNNs)。近年来，我们发现使用这种LSTM...
【论文学习】《Tacotron: Towards End-to-End Speech Synthesis》
求求你们别卷了
01-23 4650
《Tacotron: Towards End-to-End Speech Synthesis》论文学习 文章目录《Tacotron: Towards End-to-End Speech Synthesis》论文学习  摘要  1 介绍  2 相关工作  3 模型架构    3.1 CBHG模块    3.2 编码器    3.3 解码器    3.4 后处理网和波形合成  4 模
Speech recognition with deep recurrent neural networks(基于深度循环神经网络的语音识别)
zag666的博客
09-21 1682
循环神经网络（RNN）是一种强大的序列数据模型。端到端的训练方法，如连接主义时间分类，使得训练RNN有可能用于输入-输出排列未知的序列标记问题。这些方法与长短时记忆RNN架构的结合被证明是特别有成效的，在手写识别中提供了最先进的结果。然而，到目前为止，RNN在语音识别中的表现令人失望，深度前馈网络的结果更好。本文研究了深层循环神经网络，它结合了深层网络中已被证明非常有效的多层次表示，以及灵活使用赋予RNN的长范围背景。
深度学习入门论文（语音识别领域）
热门推荐
忧郁一休
12-20 1万+
介绍深度学习在语音识别领域应用的6篇入门论文：Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups （2012年，Hinton，语音识别的突破）Speech recognition with deep recurrent neural ne
《Neural Turing Machines-Can neural nets learn programs?》翻译Alex Graves Greg Wayne Ivo Danihelka
anananajiushiwo的博客
06-22 322
目录摘要一.介绍二.基础研究2.1心理学和神经科学2.2认知科学与语言学2.3循环神经网络三.神经图灵机3.1读3.2写3.3寻址机制3.3.1关注的内容3.3.2集中的位置3.4控制器网络四.实验4.1复制4.2重复复制4.3联想回忆4.4动态字格4.5优先级排序4.6实验细节五.结论 我们通过将神经网络与外部记忆资源耦合来扩展神经网络的能力，它们可以通过注意过程与外部记忆资源相互作用。该组合系统类似于图灵机或冯诺依曼架构，但它是端到端可微的，允许它使用梯度下降有效训练。初步结果表明，神经图
Towards End-to-end Text Spotting with Convolutional Recurrent Neural Networks阅读笔记
BangGui02
08-18 6862
1.摘要 论文提出一种统一的网络结构模型，这种模型可以直接通过一次前向计算就可以同时实现对图像中文本定位和识别的任务。这种网络结构可以直接以end-to-end的方式训练，训练的时候只需要输入图像，图像中文本的bbox，以及文本对应的标签信息。这种end-to-end训练的模型，可以学习到更加丰富的特征信息。而且，这种模型所需要的时间更少，因为在文本检测和识别的时候，只需要计算一次图像的特征，这
深度学习论文阅读路线图
AI公园
11-03 593
请点击上方“AI公园”，关注公众号本文选自github作者：floodsun编译：ronghuaiyang作者一年前整理的东西，有些最新的论文没有包含进去，但是对于新手来...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值