Estimación de Ruido Acústico
PROYECTO FIN DE MÁSTERPROYECTO FIN DE MÁSTER
Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de VozI v á n L ó p e z E s p e j o
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
SUMARIOSUMARIO
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
1. INTRODUCCIÓN Y MOTIVACIÓN1. INTRODUCCIÓN Y MOTIVACIÓN
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Acto de hablar: Usualmente en entornosacústicos ruidosos� Alta capacidad de reconocimiento en el ser humano� Necesidad de adaptación de los sistemas ASR
1. INTRODUCCIÓN1. INTRODUCCIÓN Y MOTIVACIÓNY MOTIVACIÓN
� Necesidad de adaptación de los sistemas ASR
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Acto de hablar: Usualmente en entornosacústicos ruidosos� Alta capacidad de reconocimiento en el ser humano� Necesidad de adaptación de los sistemas ASR
1. INTRODUCCIÓN1. INTRODUCCIÓN Y MOTIVACIÓNY MOTIVACIÓN
� Necesidad de adaptación de los sistemas ASR
� Algunas técnicas para mejorar el matching:� Adaptación de los modelos� Descomposición de HMMs� Realce de las características de voz
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
1. INTRODUCCIÓN1. INTRODUCCIÓN Y MOTIVACIÓNY MOTIVACIÓN
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Motivaciones� Mejora del rendimiento de un sistema ASR� Ventajas de la metodología de realce� Aplicaciones:
1. INTRODUCCIÓN1. INTRODUCCIÓN Y MOTIVACIÓNY MOTIVACIÓN
� Aplicaciones:� Búsqueda de información� Ejecución de transacciones� Control de sistemas (entornos industriales)� …
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
2. FUNDAMENTOS TEÓRICOS DEL 2. FUNDAMENTOS TEÓRICOS DEL SISTEMASISTEMA
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Seguimiento: Estimación de la secuencia deestados de un sistema a partir de susobservaciones
� Modelo compuesto de dos procesos
2. FUNDAMENTOS TEÓRICOS DEL 2. FUNDAMENTOS TEÓRICOS DEL SISTEMASISTEMA
� Modelo compuesto de dos procesos� Proceso de estados� Proceso observado
� Solución MMSE
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Justificación del filtro de partículas� Evaluación compleja:� Solución: modelado markoviano
2. FUNDAMENTOS TEÓRICOS DEL 2. FUNDAMENTOS TEÓRICOS DEL SISTEMASISTEMA
� Aproximación numérica: (muestreo y remuestreo deimportancia + integración de Monte Carlo)
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
3.3. DISEÑO DEL FILTRO BAYESIANODISEÑO DEL FILTRO BAYESIANO
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Seguimiento de ruido en el domino log Mel�Ruido (estado del sistema)�Voz limpia (ruido que contamina la observación)�Voz ruidosa (observación)
3.3. DISEÑO DEL FILTRO BAYESIANODISEÑO DEL FILTRO BAYESIANO
�Voz ruidosa (observación)
� Definición del espacio de estados dinámico� Proceso de ruido,� Proceso observado,
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
3.13.1 Modelado del proceso de ruidoModelado del proceso de ruido
� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Codificación de la previsibilidad del ruido:proceso AR en el dominio log Mel
3.13.1 Modelado del proceso de ruidoModelado del proceso de ruido
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Definición implícita de una distribucióngaussiana para el ruido:
3.13.1 Modelado del proceso de ruidoModelado del proceso de ruido
� Selección de orden unidad para el modelo AR� Distribución a priori modelada como unagaussiana:
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
3.23.2 Relación entre estados y observacionesRelación entre estados y observaciones
� Modelado del proceso de ruido
� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Se parte de la aproximación:
� ¿Cuál es la relación entre las observaciones yel ruido?
3.23.2 Relación entre estados y observacionesRelación entre estados y observaciones
el ruido?
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� ¿Cuál es la relación entre las observaciones yel ruido?
3.23.2 Relación entre estados y observacionesRelación entre estados y observaciones
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� ¿Cuál es la relación entre las observaciones yel ruido?
3.23.2 Relación entre estados y observacionesRelación entre estados y observaciones
� Distribución para la voz limpia:
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Imponemos� Se aplica la ley fundamental de
transformación de probabilidades
3.23.2 Relación entre estados y observacionesRelación entre estados y observaciones
� De esta forma,
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
� Modelado del proceso de ruido� Relación entre estados y observaciones
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
1. Generación de N partículas
2. Cálculo de pesos normalizados
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
2. Cálculo de pesos normalizados
3. Remuestreo sobre las partículas
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Existencia de problemas en la práctica� Si no se cumple para ningún j � DROPOUT
� SOLUCIÓN:
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
� Evolución independiente de la observación � Pérdida dela trayectoria de seguimiento
� SOLUCIÓN: Procedimiento de reinicialización delfiltro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Existencia de problemas en la práctica� Modos de reinicialización
� Generación de nuevas hipótesis sobre ladistribución a priori de ruido
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
distribución a priori de ruido� Inferir partículas de ruido a partir de muestrear
un GMM
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Existencia de problemas en la práctica� Pobre modelado de ruido � Subestimación
de hipótesis� SOLUCIÓN: Se incentiva una futura
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
� SOLUCIÓN: Se incentiva una futurareinicialización si
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Existencia de problemas en la práctica� Mitigación de dropouts � TEST DE
ACEPTACIÓN RÁPIDA
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Modos de inicialización� Uso de las l primeras tramas� Empleo de la distribución a priori de ruido
3.33.3 Filtro SIR aplicadoFiltro SIR aplicado
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
4.4. TEST Y RESULTADOSTEST Y RESULTADOS
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Uso de la base de datos Aurora-2� Empleo del conjunto de test A:
� 1001 grabaciones con secuencias de dígitos� Ruidos: metro, multitud conversando, coche y sala deexposiciones
4.4. TEST Y RESULTADOSTEST Y RESULTADOS
exposiciones� SNRs: -5dB, 0dB, 5dB, 10dB, 15dB, 20dB y caso limpio
� Las estimaciones de ruido son usadas en unaetapa de VTS para la compensación de lascaracterísticas de voz ruidosa
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Ajuste de parámetros� Estudio del MSE
4.4. TEST Y RESULTADOSTEST Y RESULTADOS
� Más bien basado en la observación, razonamiento ybibliografía
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Test de reconocimiento del habla� Aparente independencia del número de partículas
4.4. TEST Y RESULTADOSTEST Y RESULTADOS
120,00
Acc. vs. SNR
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
0,00
20,00
40,00
60,00
80,00
100,00
-5 0 5 10 15 20 Limpio
Acc
. (%
)
SNR (dB)
Base-Line
FP (300)
Interpolación
� Test de reconocimiento del habla� Aparente independencia del número de partículas
4.4. TEST Y RESULTADOSTEST Y RESULTADOS
Acc. vs. Técnica empleada
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
0
10
20
30
40
50
60
70
80
90
Base-Line FP (300) Interpolación
Acc
. (%
)
Técnica
� Test de reconocimiento del habla� Aparente independencia del número de partículas
4.4. TEST Y RESULTADOSTEST Y RESULTADOS
� WAcc = 1 - WER
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
5.5. CONCLUSIONESCONCLUSIONES
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Verificación experimental de la utilidad de unatécnica de realce
� Preferible, por el momento, uso de ruidoestimado mediante interpolación espectral:
5.5. CONCLUSIONESCONCLUSIONES
estimado mediante interpolación espectral:� Mayor rendimiento del sistema ASR� Menor coste computacional
� Necesidad de mejorar la calidad de lasestimaciones resultantes del filtro de partículas
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Introducción y Motivación� Fundamentos Teóricos del Sistema� Diseño del Filtro Bayesiano
� Modelado del proceso de ruido
6.6. TRABAJO FUTUROTRABAJO FUTURO
� Modelado del proceso de ruido� Relación entre estados y observaciones� Filtro SIR aplicado
� Test y Resultados� Conclusiones� Trabajo Futuro
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
� Solventar usuales pérdidas del seguimiento� Nuevo modelo de ruido a priori� Inclusión del término de fase relativa (FAT
innecesario)
6.6. TRABAJO FUTUROTRABAJO FUTURO
innecesario)� Optimización de la implementación� Experimentación con otros conjuntos de test� Actualización del modelo AR de ruido y de
la distribución a priori� Uso de un detector de actividad de voz
� Experimentar con un filtro RPF
PFM | Estimación de Ruido Acústico Mediante Filtros de Partículas | Iván López Espejo
Estimación de Ruido Acústico Mediante Filtros de Partículas para Reconocimiento Robusto de Voz
�GRACIAS
Top Related