에이아이조 - 편집 역사

에이아이: /* 결과 및 평가 */

2019-06-20T08:44:06Z

‎결과 및 평가

2019-06-20T08:43:27Z

‎관련사업비 내역서

2019-06-20T08:43:20Z

‎완료 작품의 소개

2019-06-20T08:42:59Z

‎완료작품의 평가

2019-06-20T08:42:34Z

‎프로토타입 사진 혹은 작동 장면

2019-06-20T08:41:06Z

‎상세 설계 내용

2019-06-20T08:40:52Z

‎상세 설계 내용

2019-06-20T08:40:30Z

‎이론적 계산 및 시뮬레이션

2019-06-20T08:37:41Z

‎상세설계 내용

2019-06-20T08:37:27Z

‎기술개발 일정 및 추진체계

@@ 169번째 줄: / 169번째 줄: @@
 ==결과 및 평가==
 ===완료 작품의 소개===
-====프로토타입 사진 혹은 작동 장면====
+====실험 결과====
 평  가  항  목
@@ 279번째 줄: / 279번째 줄: @@
 - 실험 결과 입력 발성 3.59초에서 2.05초 발성 길이 변화에 따른 성능 하락을 동일 오류율에서는 59% 보상하였고, 검증정확도에서는 52% 보상하였다.
 - 결국 TSL 방법으로 짧은 발성 보상을 수행하였을 때 성능 향상을 보였다.

@@ 270번째 줄: / 270번째 줄: @@
 .2%
 .7%
 ===완료작품의 평가===

@@ 270번째 줄: / 270번째 줄: @@
 .2%
 .7%
 ===관련사업비 내역서===

@@ 278번째 줄: / 278번째 줄: @@
 ===완료작품의 평가===
-내용
 ===향후계획===

@@ 170번째 줄: / 170번째 줄: @@
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
 ====포스터====
 내용

@@ 153번째 줄: / 153번째 줄: @@
 . DNN 모델 구조 설계
- ◇ Teacher network와 Student network에서 사용하는 모델은 심층 신경망(Deep Neural Network, DNN)이다.
+◇ Teacher network와 Student network에서 사용하는 모델은 심층 신경망(Deep Neural Network, DNN)이다.
   - 심층 신경망은 층을 깊게 쌓은 신경망을 말한다. 층을 깊게 했을 경우 더 적은 매개변수로 같거나 높은 수준의 표현력을 가질 수 있다. 또한 층을 깊게 해 작은 필터를 여러번 거치도록 하는 경우 넓은 수용영역(receptive field)를 가지도록 할 수 있고, 계층 사이의 비선형 활성화 함수 계층을 통과하게 되므로 비선형적으로 더 복잡한 데이터를 표현할 수 있다.

@@ 116번째 줄: / 116번째 줄: @@
   - Teacher network는 기존의 긴 발성을 이용해서 학습하므로 화자 인식 성능이 우수하다. 그러므로 Teacher network를 사전에 학습시킨 후 화자 모델을 구성하여 Student network의 훈련에 이용한다.
- ◇ 두 번째로 Student 모델을 훈련 시킨다.
+◇ 두 번째로 Student 모델을 훈련 시킨다.
   -  훈련 발성은 2~3.5초의 짧은 발성을 사용한다.
@@ 126번째 줄: / 126번째 줄: @@
   - Student 모델 구조는 Teacher 모델과 같으며, 긴 발성으로 학습된 Teacher network의 결과를 이용하여 짧은 발성일 때 Student 모델의 화자 인증의 정확도를 높이도록 노력한다.
- ◇ 짧은 발성 보상을 위한 TSL (Teacher-Student Learning) 방법은 그림과 같다.
+◇ 짧은 발성 보상을 위한 TSL (Teacher-Student Learning) 방법은 그림과 같다.
   - Teacher network는 3.5초 이상의 긴 발성을 입력 발성으로 사용하여 모델을 학습시키고, Student network는 2~3.5초의 짧은 발성을 입력 발성으로 사용하여 모델을 학습시킨다.

@@ 103번째 줄: / 103번째 줄: @@
 Teacher network는 3.5초 이상의 긴 발성을 입력 발성으로 사용하여 모델을 학습시키고, Student network는 2~3.5초의 짧은 발성을 입력 발성으로 사용하여 모델을 학습시킨다. Student network는 Teacher network와 똑같은 network 구조를 가지고 학습된다. Student 모델을 학습시키기 위한 Loss 함수는 Teacher 모델에서 추출한 화자 특징(speaker embedding)과 Student 모델에서 추출한 화자 특징의 코사인 유사도(cosine similarity)를 비교하는 식과 Teacher 모델의 Output layer의 Categorical cross-entropy값과 Student 모델의 Output layer의 Categorical cross-entropy값을 비교하는 쿨백-라이블러 발산(Kullback–Leibler divergence, KLD)의 식을 동시에 사용한다.
-===이론적 계산 및 시뮬레이션===
+===상세 설계 내용===
-내용
 ==결과 및 평가==

@@ 91번째 줄: / 91번째 줄: @@
 (5월) - 학습된 Teacher 모델의 정보를 이용해 Teacher 모델에서 추출된 화자 특징과 출력값의 정보를 이용하여 Student 모델을 학습하는 과정이 세 번째 목표입니다.
 (6월) - 마지막으로 Teacher 모델과 Student 모델의 성능을 비교하기 위해서 긴 발성, 짧은 발성의 다양한 길이의 발성을 두 모델에 넣어 짧은 발성의 성능이 향상되는지 아닌지 성능을 비교하여 결과를 보는 것이 마지막 목표입니다.
 ==설계==