[发明专利]全连接多尺度的残差网络及其进行声纹识别的方法

说明书

本发明提供了一种全连接多尺度的残差网络及其进行声纹识别的方法。该残差网络包括输入层，卷积层，N个依次连接的残差模块，以及全连接层。其中，在每个残差模块中，可以将输入的特征图分成多个分组，长度和宽度均为1的第一卷积核的输出，连接到后面经过多个第二卷积核构成的第二卷积核组，作为第二卷积核组的输入，最后将经过第二卷积核组的输出的特征图拼接在一起，由长度和宽度均为1的第三卷积核对其进行卷积处理，实现多尺度特征信息的融合，全连接层可以根据融合后的特征更好预测并输出用于指示说话人的分类信息。如此，可以在不增加网络深度的情况下，更好的提取多尺度的特征，从而实现更为准确的进行声纹识别。

技术领域

本发明涉及人工智能领域，更具体的说，涉及一种全连接多尺度的残差网络及其进行声纹识别的方法。

背景技术

在得益于深度学习的帮助，声纹识别技术得到了快速的发展。由于深度神经网络(Deep Neural Network,DNN)具有较强的抽象表示能力，因而在各种模式识别任务中都有显著的表现。可以把DNN的最后一个隐藏层的输出称为d-vector。类似d-vector的思想，接收时延神经网络(Time Delay Neural Network,TDNN)最后一个隐藏层的输出并且计算其统计量，称为x-vector，d-vector和x-vector可以作为输入语音帧的说话人身份的表示。

另外，由于卷积神经网络(Convolutional Neural Network,CNN)具有多尺度描述图像或者语音特征的能力，在一定程度上优于DNN和TDNN，CNN在声纹识别中的应用也逐渐得到推广。

为了克服因CNN的网络层的数量过多而造成的梯度消失的问题，可以通过由多个残差模块堆叠形成的残差网络(Residual Network,ResNet)实现声纹识别。ResNet的每个残差模块中，输入层和输出层之间直接连接。与传统的单向连接的神经网络相比，残差模块的输入层与输出层之间的直接连接，避免了深层网络梯度消失的问题。

希望有一种新的技术方案，以期实现更好的提取声纹特征，从而实现更为准确的声纹识别。

发明内容

本发明的目的是为了解决现有技术中存在的技术问题，可以在不增加网络深度的情况下，更好的提取多尺度的特征，从而实现更为准确的进行声纹识别。

第一方面，本发明提供了一种用于声纹识别的全连接多尺度的残差网络，包括输入层，卷积层，N个依次连接的残差模块，以及全连接层；其中，

所述输入层，用于接收待识别的语音信息对应的特征向量；

所述卷积层，用于对特征向量进行卷积处理以得到第一特征图；

对于N个残差模块中的第i个残差模块，用于：

接收当前特征图，其中，当前特征图为第一特征图，或者为第i-1个残差模块输出的第六特征图，N为大于1的整数，i大于0且不大于N；以及，

根据长度和宽度均为1的第一卷积核，对当前特征图进行卷积处理以得到第二特征图；

将第二特征图划分为至少两个第三特征图，其中所述至少两个第三特征图与存在顺序关系的至少两个第二卷积核一一对应；

针对至少两个第二卷积核中任意的第j个第二卷积核，确定出第j个第二卷积核对应的至少一个第四特征图，并根据第j个卷积核对所述至少一个第四特征图进行卷积处理以得到第五特征图；其中，第j个第二卷积核对应的至少一个第四特征图，包括第j个卷积核对应的第三特征图，以及包括位于第j个第二卷积核之前的每个第二卷积核各自对应的第五特征图；根据长度和宽度均为1的第三卷积核，对所述至少两个第二卷积核各自对应的第五特征图进行卷积处理，得到并输出第六特征图；

所述全连接层，用于根据第N个残差模块输出的第六特征图，预测并输出所述声音信息对应的分类信息，所述分类信息用于指示发出所述声音信息的说话人。