机构名称：
¥ 1.0
摘要 - 说话者验证系统的性能可能会受到时域变化的不利影响。然而，由于没有适当的数据集，对时变的说话者的验证进行了有限的研究。本文旨在调查长期和短期时间变化在说话者验证中的影响，并提出解决这些影响的解决方案。对于长期说话者的验证（即跨年龄的说话者验证），我们引入了一种年龄段的对抗性学习方法，通过从voxceleb数据集中通过最小年龄信息来学习年龄不变的说话者的代表。对于短期演讲者的验证，我们收集了Smiip-pimevarying（SMIIP-TV）数据集，该数据集包括每天在连续90天的373位扬声器和其他相关元信息的录音中。使用此数据集，我们分析了说话者嵌入的时间变化，并提出了一种新颖但现实的时代的说话者的验证任务，称为增量序列 - 扬声器对扬声器的验证。此任务涉及注册音频和一系列测试音频之间的持续互动，目的是随着时间的推移提高性能。我们介绍了模板更新方法，以应对时间来应对负面影响，然后将模板更新处理作为马尔可夫决策过程，并提出基于深度强化学习（DRL）的模板更新方法。DRL的策略网络被视为确定是否以及应更新模板的代理。总而言之，本文释放了我们收集的数据库，研究了长期和短期时间变化的场景，并将洞察力和解决方案分解为随着时变的说话者的验证。
研究长期和短期的演讲者验证
主要关键词
相关文件推荐
