深度视音频双模态语音识别方法
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪言 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 基于特征层面 | 第13-15页 |
| 1.2.2 基于融合&识别层面 | 第15-17页 |
| 1.3 现有方法普遍问题 | 第17-18页 |
| 1.4 论文创新点 | 第18-19页 |
| 1.4.1 深度时态框架模型的创新点 | 第18-19页 |
| 1.4.2 多模态辅助损失门控循环网络模型 | 第19页 |
| 1.5 论文组织架构 | 第19-21页 |
| 第2章 深度时态框架模型 | 第21-35页 |
| 2.1 多模态深度自编码网络和长短时记忆网络 | 第21-23页 |
| 2.1.1 多模态深度自编码网络 | 第21-22页 |
| 2.1.2 长短时记忆网络 | 第22-23页 |
| 2.2 提出的深度时态框架模型 | 第23-27页 |
| 2.2.1 模态融合 | 第23-24页 |
| 2.2.2 含有时态因素的模态融合 | 第24-26页 |
| 2.2.3 时态融合 | 第26-27页 |
| 2.2.4 识别网络 | 第27页 |
| 2.2.5 训练策略 | 第27页 |
| 2.3 实验 | 第27-33页 |
| 2.3.1 数据库 | 第28-29页 |
| 2.3.2 实验设置 | 第29-31页 |
| 2.3.3 结果分析 | 第31-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第3章 多模态辅助损失门控循环网络模型 | 第35-53页 |
| 3.1 特征提取 | 第35-37页 |
| 3.1.1 视频特征提取 | 第36页 |
| 3.1.2 音频特征提取 | 第36-37页 |
| 3.2 数据增强 | 第37-38页 |
| 3.2.1 视觉数据增强 | 第37页 |
| 3.2.2 听觉数据增强 | 第37-38页 |
| 3.2.3 生成数据增强 | 第38页 |
| 3.3 融合&识别 | 第38-42页 |
| 3.3.1 门控循环网络 | 第39-40页 |
| 3.3.2 多模态辅助损失门控循环网络 | 第40-42页 |
| 3.4 实验 | 第42-51页 |
| 3.4.1 数据库 | 第43-44页 |
| 3.4.2 实验设置 | 第44-46页 |
| 3.4.3 结果分析 | 第46-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-63页 |
| 致谢 | 第63-65页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第65页 |
