[發(fā)明專利]利用深度學(xué)習(xí)和有限數(shù)據(jù)進(jìn)行多陣列聲音應(yīng)用的特征處理

在審

• 申請(qǐng)?zhí)枺?/td>: 202010783855.1
• 申請(qǐng)日: 2020-08-06
• 公開(kāi)（公告）號(hào): CN112560885A
• 公開(kāi)（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: G·J·V·M·勒穆安;P·維納亞維金;D·J·R·阿格拉萬(wàn)特;井上忠宣;A·穆納沃
• 申請(qǐng)（專利權(quán)）人: 國(guó)際商業(yè)機(jī)器公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/00;G06N3/04;G01S5/18
• 代理公司: 北京市金杜律師事務(wù)所 11256
• 代理人: 馬明月

1.一種用于多源聲音定位的計(jì)算機(jī)實(shí)現(xiàn)的方法，包括：

由硬件處理器從被包括在兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列中的相應(yīng)多個(gè)麥克風(fēng)提取頻譜特征；

由所述硬件處理器通過(guò)重新布置和復(fù)制來(lái)自被包括在所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列中的所述相應(yīng)多個(gè)麥克風(fēng)的所述頻譜特征，形成來(lái)自所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列內(nèi)的所述相應(yīng)多個(gè)麥克風(fēng)的所述頻譜特征的對(duì)的相應(yīng)集合；以及

由所述硬件處理器將所述頻譜特征的對(duì)的所述相應(yīng)集合輸入神經(jīng)網(wǎng)絡(luò)中，以將所述頻譜特征編碼成深度特征，并對(duì)所述深度特征進(jìn)行解碼，以從所述神經(jīng)網(wǎng)絡(luò)輸出一個(gè)或多個(gè)聲音源的至少一個(gè)位置表示。

2.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中所述神經(jīng)網(wǎng)絡(luò)包括多個(gè)編碼器，所述多個(gè)編碼器的權(quán)重在所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列之間被共享。

3.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中所述神經(jīng)網(wǎng)絡(luò)包括僅一個(gè)解碼器，并且還包括用于所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列的相應(yīng)編碼器以形成多個(gè)編碼器，其中所述多個(gè)編碼器在它們之間共享權(quán)重參數(shù)。

4.根據(jù)權(quán)利要求3所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中響應(yīng)于所述兩個(gè)或更多個(gè)麥克風(fēng)陣列是相同的并且共享幾何性質(zhì)，所述權(quán)重參數(shù)被共享。

5.根據(jù)權(quán)利要求3所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中所述頻譜特征被重新布置和復(fù)制，使得所述相應(yīng)集合中的每個(gè)集合中的所述對(duì)彼此靠近，并且所述神經(jīng)網(wǎng)絡(luò)在所述多個(gè)編碼器中的每個(gè)編碼器之前包括卷積層，以用于形成所述頻譜特征的對(duì)的所述相應(yīng)集合。

6.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中所述至少一個(gè)位置表示包括所述一個(gè)或多個(gè)聲音源的二維方位。

7.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，還包括使用所述一個(gè)或多個(gè)聲音源的所述至少一個(gè)位置表示來(lái)對(duì)所述一個(gè)或多個(gè)聲音源進(jìn)行分類。

8.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，還包括在顯示設(shè)備上顯示所述至少一個(gè)位置表示。

9.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中所述一個(gè)或多個(gè)聲音源包括至少兩個(gè)同時(shí)的聲音源。

10.一種具有隨其體現(xiàn)的程序指令的非瞬態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述程序指令能夠由計(jì)算機(jī)執(zhí)行以使所述計(jì)算機(jī)執(zhí)行方法以執(zhí)行根據(jù)權(quán)利要求1-9中任一項(xiàng)所述的方法中的步驟。

11.一種用于多源聲音定位的計(jì)算機(jī)處理系統(tǒng)，包括：

存儲(chǔ)器設(shè)備，包括被存儲(chǔ)在其上的程序代碼；以及

硬件處理器，被操作地耦合到所述存儲(chǔ)器設(shè)備，并被配置為運(yùn)行被存儲(chǔ)在所述存儲(chǔ)器設(shè)備上的所述程序代碼，以：

從被包括在兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列中的相應(yīng)多個(gè)麥克風(fēng)提取頻譜特征；

通過(guò)重新布置和復(fù)制來(lái)自被包括在所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列中的所述相應(yīng)多個(gè)麥克風(fēng)的所述頻譜特征，形成來(lái)自所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列內(nèi)的所述相應(yīng)多個(gè)麥克風(fēng)的所述頻譜特征的對(duì)的相應(yīng)集合；以及

將所述頻譜特征的對(duì)的所述相應(yīng)集合輸入到神經(jīng)網(wǎng)絡(luò)中，以將所述頻譜特征編碼為深度特征，并對(duì)所述深度特征進(jìn)行解碼，以從所述神經(jīng)網(wǎng)絡(luò)輸出一個(gè)或多個(gè)聲音源的至少一個(gè)位置表示。

12.根據(jù)權(quán)利要求11所述的計(jì)算機(jī)處理系統(tǒng)，其中所述神經(jīng)網(wǎng)絡(luò)包括僅一個(gè)解碼器，并且還包括用于所述兩個(gè)或更多個(gè)麥克風(fēng)陣列中的每個(gè)麥克風(fēng)陣列的相應(yīng)編碼器以形成多個(gè)編碼器，其中所述多個(gè)編碼器在它們之間共享權(quán)重參數(shù)。

13.一種計(jì)算機(jī)系統(tǒng)，包括被配置為執(zhí)行根據(jù)權(quán)利要求1-9中任一項(xiàng)所述的方法中的步驟的模塊。