科研之友
微信
新浪微博
Facebook
分享链接
摘要
沙漏神经网络最初是为了解决人体姿态估计而设计的，最近有的工作将其迁移到人声与伴奏分离的任务之中，然而这种网络结构较简单，并且分离性能较差，分离出的信号会产生伪影。为了进一步提高分离性能，针对语音信号的特性构造一种新的损失函数，可以使网络更好地学习和优化；在整个网络中加入批标准化和Leaky-ReLU激活函数，改进网络的反向梯度传播，稳定学习过程。在MIR-1K数据集上的实验结果表明，改进后的算法分离后的人声在源-失真比，源-算法引入伪像比上原始沙漏网络分别提高了0.18 dB和0.26 dB,分离后的伴奏在源-失真比、源-干扰比和源-算法引入伪像比上分别提高了0.23 dB和0.32 dB,明显超过了目前的人声伴奏的算法。
- 单位
