[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?zhí)枺?/td>: 202010783855.1
• 申請日: 2020-08-06
• 公開（公告）號: CN112560885A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計）人: G·J·V·M·勒穆安;P·維納亞維金;D·J·R·阿格拉萬特;井上忠宣;A·穆納沃
• 申請（專利權(quán)）人: 國際商業(yè)機器公司
• 主分類號: G06K9/62
• 分類號: 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

本公開的實施例涉及利用深度學(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。本公開提供了一種用于多源聲音定位的計算機實現(xiàn)的方法。方法包括：由硬件處理器從被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)提取頻譜特征。方法還包括：由硬件處理器通過重新布置和復(fù)制來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)的頻譜特征，形成來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列內(nèi)的相應(yīng)多個麥克風(fēng)的頻譜特征的對的相應(yīng)集合。方法還包括：由硬件處理器將頻譜特征的對的相應(yīng)集合輸入到神經(jīng)網(wǎng)絡(luò)中，以將頻譜特征編碼成深度特征，并對深度特征進(jìn)行解碼，以從神經(jīng)網(wǎng)絡(luò)輸出一個或多個聲音源的至少一個位置表示。

技術(shù)領(lǐng)域

本發(fā)明總體上涉及人工智能，并且更具體地涉及利用深度學(xué)習(xí)和有限數(shù)據(jù)進(jìn)行針對多陣列聲音應(yīng)用的高效特征處理。

背景技術(shù)

聲音源定位(SSL)是音頻信號處理的一個關(guān)鍵主題，其應(yīng)用在諸如醫(yī)療保健、制造和家用電子產(chǎn)品之類的領(lǐng)域。對于這樣的任務(wù)，基于深度學(xué)習(xí)的方法已經(jīng)示出優(yōu)于基于傳統(tǒng)信號處理的方法。然而，神經(jīng)網(wǎng)絡(luò)要求大量的標(biāo)簽數(shù)據(jù)來訓(xùn)練和實現(xiàn)對期望任務(wù)的令人滿意的性能。對于結(jié)合多個麥克風(fēng)陣列的聲學(xué)應(yīng)用，將所有特征一次饋入神經(jīng)網(wǎng)絡(luò)并非十分有效，因為我們要求神經(jīng)網(wǎng)絡(luò)隱式地學(xué)習(xí)麥克風(fēng)的幾何性質(zhì)。因此，需要利用深度學(xué)習(xí)和有限數(shù)據(jù)進(jìn)行針對多陣列聲音應(yīng)用的高效特征處理。

發(fā)明內(nèi)容

根據(jù)本發(fā)明的一個方面，提供了一種用于多源聲音定位的計算機實現(xiàn)的方法。該方法包括：由硬件處理器從被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)提取頻譜特征。方法還包括：由硬件處理器通過重新布置和復(fù)制來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)的頻譜特征，形成來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列內(nèi)的相應(yīng)多個麥克風(fēng)的頻譜特征的對(pair)的相應(yīng)集合。方法還包括：由硬件處理器將頻譜特征的對的相應(yīng)集合輸入到神經(jīng)網(wǎng)絡(luò)中，以將頻譜特征編碼成深度特征，并對深度特征進(jìn)行解碼，以從神經(jīng)網(wǎng)絡(luò)輸出一個或多個聲音源的至少一個位置表示。

根據(jù)本發(fā)明的另一方面，提供了一種用于多源聲音定位的計算機程序產(chǎn)品。計算機程序產(chǎn)品包括具有隨其體現(xiàn)的程序指令的非瞬態(tài)計算機可讀存儲介質(zhì)。程序指令由計算機可執(zhí)行，以使計算機執(zhí)行一種方法。該方法包括：由計算機的硬件處理器從被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)提取頻譜特征。方法還包括：由硬件處理器通過重新布置和復(fù)制來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)的頻譜特征，形成來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列內(nèi)的相應(yīng)多個麥克風(fēng)的頻譜特征的對的相應(yīng)集合。方法還包括：由硬件處理器將頻譜特征的對的相應(yīng)集合輸入到神經(jīng)網(wǎng)絡(luò)中，以將頻譜特征編碼成深度特征，并對深度特征進(jìn)行解碼，以從神經(jīng)網(wǎng)絡(luò)輸出一個或多個聲音源的至少一個位置表示。

根據(jù)本發(fā)明的又一方面，提供了一種用于多源聲音定位的計算機處理系統(tǒng)。該系統(tǒng)包括存儲器設(shè)備，該存儲器設(shè)備包括被存儲在其上的程序代碼。該系統(tǒng)還包括硬件處理器，該硬件處理器被操作地耦合到存儲器設(shè)備，并被配置為運行被存儲在存儲器設(shè)備上的程序代碼，以從被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)提取頻譜特征。硬件處理器還被配置為運行被存儲在存儲器設(shè)備上的程序代碼，以通過重新布置和復(fù)制來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列中的相應(yīng)多個麥克風(fēng)的頻譜特征，形成來自被包括在兩個或更多個麥克風(fēng)陣列中的每個麥克風(fēng)陣列內(nèi)的相應(yīng)多個麥克風(fēng)的頻譜特征的對的相應(yīng)集合。硬件處理器還被配置為運行被存儲在存儲器設(shè)備上的程序代碼，以將頻譜特征的對的相應(yīng)集合輸入到神經(jīng)網(wǎng)絡(luò)中，以將頻譜特征編碼成深度特征，并對深度特征進(jìn)行解碼，以從神經(jīng)網(wǎng)絡(luò)輸出一個或多個聲音源的至少一個位置表示。

從以下將結(jié)合附圖閱讀的對其說明性實施例的詳細(xì)描述，這些和其他特征和優(yōu)點將變得明顯。

附圖說明

以下描述將參考以下附圖提供優(yōu)選實施例的細(xì)節(jié)，在附圖中：

圖1是示出了根據(jù)本發(fā)明的實施例的示例性處理系統(tǒng)的框圖；