An Enhanced Res2Net with Local and Global Feature Fusion for Speaker Verification

原创

已于 2023-11-07 14:17:55 修改 · 1.2k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#1024程序员节

于 2023-10-24 17:55:48 首次发布

论文提出一种新型架构EnhancedRes2Net(ERes2Net)，通过局部和全局特征融合来提高说话人识别性能。ERes2Net利用注意力特征融合模块融合多尺度特征，优于现有简单操作（如求和或拼接）。实验结果显示在VoxCeleb数据集上，ERes2Net表现出优越的识别性能。

1. Overview

论文题目：An Enhanced Res2Net with Local and Global Feature Fusion for Speaker Verification

论文单位：阿里巴巴集团，中国科学技术大学

核心内容：有效融合多尺度特征对于提高说话人识别性能至关重要。现有的大多数方法通过简单的操作，如特征求和或拼接，并采用逐层聚合的方式获取多尺度特征。本文提出了一种新的架构，称为增强式Res2Net（ERes2Net），通过局部和全局特征融合提高说话人识别性能。局部特征融合将一个单一残差块内的特征融合提取局部信号；全局特征融合使用不同层级输出的不同尺度声学特征聚合全局信号。为了实现有效的特征融合，ERes2Net架构中采用了注意力特征融合模块，代替了求和或串联操作。在VoxCeleb数据集上进行的一系列实验展现了ERes2Net识别性能的优越性。

论文预印版下载地址：

https://arxiv.org/pdf/2305.12838.pdf

项目开源地址：

https://github.com/alibaba-damo-academy/3D-Speaker

Problem statement: Most existing methods aggregate multi-scale features in a layer-wise manner via simple operations, such as summation or concatenation, provides a rigid combination of features that may not utilize the complementary information from different scales.