[CS15] Fast and Accurate Recurrent Neural Network Acoustic Models for Speech Recognition-Has¸im Sak

最新推荐文章于 2025-12-16 15:06:00 发布
转载 最新推荐文章于 2025-12-16 15:06:00 发布 · 242 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/weixin_37993251/article/details/88133663
文章标签：

#深度学习 #语音识别

本文详细解析了如何在优快云上撰写一篇高质量的技术博客，包括标题、标签和内容的优化策略，旨在帮助作者提高文章的可见性和吸引力。
论文翻译：2018_CRN_A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement
凌逆战的博客
12-08 1177
论文地址：用于实时语音增强的卷积递归神经网络 代码地址：https://github.com/JupiterEthan/CRN-causal 作者主页：https://jupiterethan.github.io/ 引用格式：Tan K, Wang D L. A Convolutional Recurrent Neural Network for Real-Time Speech Enhanc...
【TSF文献阅读 01】SegRNN: Segment Recurrent Neural Network for Long-Term Time Series Forecasting
2301_77549977的博客
03-02 1316
循环神经网络（RNN）方法在处理超长回溯窗口和预测范围的长周期时间序列预测（LTSF）任务时，面临着诸多挑战。因此，在这一领域，主导地位已逐渐转向 Transformer、多层感知器（MLP）和卷积神经网络（CNN）方法。大量的循环迭代是 RNN 在 LTSF 中受限的根本原因。为了解决这些问题，我们提出了两种新策略，用于减少 RNN 在 LTSF 任务中的迭代次数：分段迭代和并行多步预测（PMF）。
(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...
【11】Fast and accurate recurrent neural network acoustic models
08-26
We have recently shown that deep Long Short-Term Memory (LSTM) recurrent neural networks (RNNs) outperform feed forward deep neural networks (DNNs) as acoustic models for speech recognition. More recently, we have shown that the performance of sequence trained context dependent (CD) hidden Markov model (HMM) acoustic models using such LSTM RNNs can be equaled by sequence trained phone models initialized with connectionist temporal classification (CTC). In this paper, we present techniques that further improve performance of LSTM RNN acoustic models for large vocabulary speech recognition. We show that frame stacking and reduced frame rate lead to more accurate models and faster decoding. CD phone modeling leads to further improvements. We also present initial results for LSTM RNN models outputting words directly. Index Terms: speech recognition, acoustic modeling, connectionist temporal classification, CTC, long short-term memory recurrent neural networks, LSTM RNN.
Fast and Accurate Recurrent Neural Network Acoustic Models for Speech Recognition(用于语音识别的快速而准确的RNN)
zag666的博客
10-11 1602
我们最近的研究表明，深度长短时记忆（LSTM）循环神经网络（RNNs）作为语音识别的声学模型，其表现优于前馈深度神经网络（DNNs）。最近，我们研究发现，使用这种LSTM RNNs的序列训练的上下文依赖（CD）隐马尔可夫模型（HMM）声学模型的性能可以与用连接主义时间分类（CTC）初始化的序列训练的音素模型相当。在本文中，我们提出了进一步提高LSTM RNN声学模型在大词汇量语音识别中的性能的技术。我们表明，帧堆叠和降低帧率导致了更准确的模型和更快的解码。CD音素建模导致了进一步的改进。
深度学习系列(二)【人类语言处理--语音辨识】
小小何先生的学习之旅
05-18 2213
  在语音辨识中输入是语音信号，输出是对应的文字。语音表示为一个序列向量(长度为T\text{T}T，维度为 d\text{d}d)。输出的Text一般表示为一个Token序列，长度为N\text{N}N，V\text{V}V个不同的token所构成，通常 T>N\text{T} > \text{N}T>N。   在实际运用的过程中，有时候也会从声音信号直接得到word embe...
语音识别初探
zhonglj0314的专栏
07-10 4684
本文是对最近学习的语音识别的一个总结，主要参考以下内容： 《解析深度学习——语音识别实践》 http://licstar.net/archives/328 词向量和语言模型 几篇论文，具体见参考文献 语音识别任务是把声音数据转换为文本，研究的主要目标是实现自然语言人机交互。在过去的几年里，语音识别领域的研究成为人们关注的热点，出现了众多新型 语音应用，例如语音搜索、虚拟语音助手
Paraformer: Fast and Accurate Parallel Transformer for Non-autoregressive End-to-End Speech Recognit
Zwr198的博客
11-20 2236
Paraformer: Fast and Accurate Parallel Transformer for Non-autoregressive End-to-End Speech Recognition
Paper翻译：《A Novel Convolutional Neural Network Based Model for Recognition and Classification of App》
JasonYangQ的博客
08-08 2036
论文名称：《A Novel Convolutional Neural Network Based Model for Recognition and Classification of Apple Leaf Diseases》 论文作者：Yadav, D. , Akanksha, and A. K. Yadav . 发表期刊：Traitement du Signal 37.6(2020):1093-1101. 论文总结： Research Gap: 数据增强与CNN对苹果叶部病害进行检测 Im..
深度学习入门论文（语音识别领域）
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
深度学习DeepLearning推荐论文清单 初学者入门推荐学习路线
Mr.Scofield
01-08 2万+
深度学习DeepLearning papers初学者入门推荐学习论文清单（供下载）—————————————每一位DL初学者都想找到一条卓有成效的学习路线，我推荐的是沿着历史发展路线将前辈们的经典papers一一读一遍。所以有的兄弟已经做好了工作了：这里有位仁兄的(Deep Learning Papers Reading Roadmap就归纳了还比较齐全的paper清单。里面提供了下载器，但限于TGW的
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
深度学习+语音，基础普及篇笔记（一）
Learning by doing
01-25 1万+
深度学习应用领域，可以分为3大块：图像，语音，文字。最近有时间，研究下语音： （一）定义 语音是一个连续的音频流，它是由大部分的稳定态和部分动态改变的状态混合构成。 一个单词的发声（波形）实际上取决于很多因素，而不仅仅是音素，例如音素上下文、说话者、语音风格等； （二）语音识别 其中有个图（连续语音识别框架图）看不清楚，如下： （三）
个人阅读的Deep Learning方向的paper整理
热门推荐
chivalry
03-10 2万+
http://hi.baidu.com/chb_seaok/item/6307c0d0363170e73cc2cb65 个人阅读的Deep Learning方向的paper整理，分了几部分吧，但有些部分是有交叉或者内容重叠，也不必纠结于这属于DNN还是CNN之类，个人只是大致分了个类。目前只整理了部分，剩余部分还会持续更新。 一 RNN 1 Recurrent n
神经网络端到端序列学习（一）
丁丁的博客
11-26 1万+
许多重要问题都可以抽象为变长序列学习问题（sequence to sequence learning），如语音识别、机器翻译、字符识别。这类问题的特点是，1) 输入和输入都是序列（如连续值语音信号/特征、离散值的字符），2) 序列长度都不固定，3)并且输入输出序列长度没有对应关系。因此，传统的神经网络模型（DNN， CNN， RNN）不能直接以端到端的方式解决这类问题的建模和学习问题。解决变长序列的
深度学习论文分类整理
01-03 2563
1 深度学习历史和基础1.0 书籍█[0] Bengio, Yoshua, Ian J. Goodfellow, and Aaron Courville. "Deep learning." An MIT Press book. (2015). [pdf] (Ian Goodfellow 等大牛所著的教科书，乃深度学习圣经。你可以同时研习这本书以及以下论文) ★★★★★地址：https://githu
崇志宏 【转载】深度学习进阶规划(论文阅读顺序推荐)--东南大学
chognzhihong_seu的博客
05-01 2191
阅读文献是搞清楚深度学习本质的基本方式，转载按照顺序阅读文献的整理，对大家会有很好的帮助！                            东南大学 崇志宏 1 Deep Learning History and Basics 1.0 Book [0] Bengio, Yoshua, Ian J. Goodfellow, and Aaron Courvill
基于DFSMN-CTC及CTC-CE联合训练的声学模型
jiangyupu的博客
05-06 2546
参考文献： [1] A. R. Mohamed, G. E. Dahl, and G. Hinton, “Acoustic modeling using deep belief networks,” Audio, Speech, and Language Processing, IEEE Transactions on, vol. 20, no. 1, pp. 14–22, 2012...
【文献阅读】DP-Site：一种基于双重深度学习的蛋白质-肽相互作用位点预测方法
最新发布
weixin_42038527的博客
12-16 770
研究团队开发了一款名为DP-Site的AI工具，仅需分析蛋白质的氨基酸序列（“设计图”），就能精准锁定小分子药物的潜在“靶点”。DP-Site的核心创新在于其 “双专家会诊”模式。一位是“图像专家”，擅长分析序列的局部结构特征；另一位是“语义专家”，擅长理解序列的全局上下文信息。两者协同工作，使其预测综合性能（F1分数）达到0.661，超越此前所有方法。
fast and accurate single image super-resolution via information distillation network
04-10
《B'Fast and Accurate Single Image Super-Resolution via Information Distillation Network》是一篇关于图像超分辨率领域的研究论文，提出了一种新的方法——信息蒸馏网络，能够实现快速准确的图像超分辨率。
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