基于MAML方法的佤语孤立词分类

发布时间：2024-04-12 01:37

　　深度神经网络模型直接用于识别有限的佤语语音很容易陷入过拟合的窘境.而元学习善于解决小样本因数据不足导致的过拟合学习问题,利用平摊机制将以往经验应用于新任务学习能够有效减少对目标数据集的要求.选用原始的与模型无关的元学习(MAML)和近似一阶MAML梯度更新的Reptile对佤语语谱图进行识别研究.基于两组对比实验结果表明,元学习具有快速学习能力,并且能显著提高网络的收敛能力和泛化能力.在相同的实验设置条件下,MAML和Reptile对5-way 1-shot的实验准确率分别达到74.5%和61.6%,对5-way 5-shot的识别准确率分别达到94.5%和93.6%.

【文章页数】：7 页

【部分图文】：

图1基学习器和元学习的学习过程图[16]

2017年Fine[20]提出了1种与模型无关的元学习方法(MAML),该方法在元训练阶段Metatrain通过梯度下降的方法为不同的任务场景初始化模型参数,在元测试阶段Metatest通过几步微调就可以实现很好的识别结果.因此,MAML的关键是新任务下初始参数的获得,即Meta....

图2基于Reptile的学习过程[26]

Retile通过学习不同任务的初始参数W,当面对新任务时能够通过公共最近快速找到新任务的梯度下降方向,如图2所示.3实验

图3佤语语谱图

佤语数据集作为实验的研究对象,数据集由两男两女对1860类孤立词进行发音,每人对每类孤立词读5遍,总计37200条佤语孤立词语音.相比imageNet数据集中1200类,每类1000个样本,佤语数据集中的数据类别多,每类所含数据少的特点,训练样本不足.将语音信号通过傅里叶....

图4MAML准确率变化曲线

元学习使任务分配上的损失最小化,在同一任务的梯度更新内积最大化,即使在小样本学习的情况下也能达到不错的效果.MAML和Reptile模型在相同的实验设置下对佤语语谱图进行识别,实验结果表明MMAL达到的识别精度更高,而Reptile的收敛速度更快.本实验的佤语语谱图并非全屏语谱图....

本文编号：3951460