基于对抗样本的数据扩充在鲁棒语音识别和关键词检出中的应用.docVIP

基于对抗样本的数据扩充在鲁棒语音识别和关键词检出中的应用 导语：?本文将对抗样本用于语音识别和关键词检出中深度神经网络声学模型的训练过程中，以用来提高声学模型的鲁棒性。 1.摘要 本文将对抗样本用于语音识别和关键词检出中深度神经网络声学模型的训练过程中，以用来提高声学模型的鲁棒性。在模型训练过程中，使用基于快速符号梯度方法来产生对抗样本作为原始训练样本的扩充，与传统的基于数据变换的数据扩充方式不同，本文所提出的方法是一种模型和数据相关的方法，在模型训练过程中，根据模型的参数和当前训练数据动态地生成对抗样本。在本文中，对于语音识别任务，我们在Aurora-4数据库上进行了实验，我们提出的方法能够显著地提高模型对噪声和信道的鲁棒性，而且，我们将本文所提出的数据扩充方式和教师/学生学习策略结合，在Aurora-4数据库上，我们可以得到23%的相对词错误率下降。在关键词检出任务中，我们所提出的方法也明显地降低了基于注意力机制的唤醒模型的误唤醒率和误拒绝率。 关键词：鲁棒语音识别，关键词检出，对抗样本，快速符号梯度法，数据扩充 2.前言 近年来，随着深度学习（DeepLearning，DL）的兴起以及深度神经网络（DeepNeuralNetworks，DNNs）在声学模型上的成功应用，自动语音识别（