1 / 19

GMM, distance entre GMMs, SVM pour la vérification du locuteur.

GMM, distance entre GMMs, SVM pour la vérification du locuteur. Najim Dehak Gérard Chollet. GMM pour la vérification du locuteur. UBM. Énoncé de pseudo-imposteurs. Apprentissage. Modèle du locuteur. Adaptation. Énoncé du locuteur. Test. Énoncé de test. Score et décision.

rhea-tyson
Download Presentation

GMM, distance entre GMMs, SVM pour la vérification du locuteur.

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. GMM, distance entre GMMs, SVM pour la vérification du locuteur. Najim Dehak Gérard Chollet

  2. GMM pour la vérification du locuteur UBM Énoncé de pseudo-imposteurs Apprentissage Modèle du locuteur Adaptation Énoncé du locuteur Test Énoncé de test Score et décision

  3. GMM pour la vérification du locuteur • UBM => GMM modèles • L’apprentissage à base de l’algorithme EM • Les rôles du UBM : • Adapter les modèles clients. • Normalisateur de scores dans la phase de test.

  4. GMM pour la vérification du locuteur • Pourquoi faire une adaptation? • Adaptation MAP: • Scores et décision:

  5. Distance entre modèles Modèle du locuteur Adaptation Énoncé du locuteur Score calculé à base de Distance & décision UBM Énoncé de pseudo-imposteurs Apprentissage Modèle du Test Adaptation Énoncé du test

  6. Distance entre modèles • Divergence de Kullback-Leibler entre 2 mélange de densité:

  7. Distance entre modèles • Divergence de Kullback-Leibler entre 2 GMMs: • Dans le cas de la VL avec seulement l’adaptation des moyennes des gaussiennes: • On utilisant la distance

  8. Y2 P’ p Ω Y1 Distance entre modèles • Espace des modèles: D(p,p’) P’ p Ω

  9. Distance entre modèles • Distance et scores de décision

  10. DET curve

  11. Distance entre modèles Modèle du locuteur Adaptation Énoncé du locuteur Normalisation Des modèles UBM Énoncé de pseudo-imposteurs Apprentissage Score calculé à base de Distance & décision Modèle du Test Adaptation Énoncé du test

  12. Modèle initial Modèle norm Ω Distance entre modèles • Normalisation dans l’espace des modèles M-norm • Les nouvelles moyennes

  13. Courbe DET

  14. Distance entre modèles • Peut être appliquer pour la vérification du locuteur dans les cartes à puce. • On peut faire une normalisation on utilisant une ACP

  15. SVM pour la VL • Distance entre GMMs => fonction noyau entre GMMs; • Distance => kernel • Kernel => distance

  16. SVM pour la VL • Les travaux de Pedro J. Moreno et Purdy P. Ho • Avec comme distance :

  17. Courbe DET

  18. Courbe DET

  19. SVM pour la VL • Kernel Mixture models: • Dans le cas de mélange de gaussiennes

More Related