active learning for speech recognition

最新推荐文章于 2023-04-20 17:43:31 发布
最新推荐文章于 2023-04-20 17:43:31 发布
阅读量247 收藏
点赞数
分类专栏： Speech Recognition
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kfdhfljl/article/details/107465617
版权

active learning for speech recognition

概述一些语音识别领域的主动学习方法

Semi-supervised and active-learning scenarios: Efficient acoustic model refinement for a low resource Indian language, INTERSPEECH 2018

使用的任务模型是：DNN-HMM framework trained using Kaldi and with word level trigram language models(常用的语言模型).
使用confidence level(每个词段的后验概率，相当于在解码中对齐的词级标签。)作为评价样本信息量的度量

active learning for automatic speech recognition, ICASSP2002

混淆集中的每个单词的后验概率是包含该实例的所有路径的概率之和，而混淆集中所有单词的后验概率之和等于1。把单词的后验概率，当作单词的 confidence score，可以采用不同的方法F组合单词的概率得到语句级别的
confidence scor：
在这里插入图片描述
F可以是几何平均，加权平均，min

Kfdhfljl
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Active-Learning
03-06
主动学习（Python） 如今，获取未标记的数据已经非常简单。 但是，获取标记数据确实是非常困难的任务。 主动学习是一个这样的框架，当您的数据有限而又需要更高的模型准确性时，该框架将为您提供帮助。 智能查询以识别信息最多的实例是主动学习的基本原理。 建立任何主动学习模型的关键因素是我们选择的确定性度量和我们应用的查询策略。 查询策略： 1.不确定性抽样 任何活跃的学习者在看到一组未标记的示例后，都会提取出最有用的示例，并提供相同的示例以进行标记。 首先，为每个示例计算衡量预测的有用性，然后根据有用性进行决策。 分类不确定性，分类余量和分类熵是modAL文档中针对基于主动学习池的采样和基于流的采样的三种内置度量，这是可以将实例发送到查询以评估度量有用性的不同方式。 基于池的采样 下面的示例使用基于池的采样展示了Active学习者在fetch_covtype数据集上的应用。 此处，与未标记数
[Machine Learning] Active Learning
weixin_34055787的博客
05-21 198
1. 写在前面 　　在机器学习(Machine learning)领域，监督学习(Supervised learning)、非监督学习(Unsupervised learning)以及半监督学习(Semi-supervised learning)是三类研究比较多，应用比较广的学习技术，wiki上对这三种学习的简单描述如下： 监督学习：通过已有的一部分输入数据与输出数据之间的对应关系，生成一...
Efficient Active Learning for Automatic Speech Recognition... 论文笔记
Kfdhfljl的博客
07-21 319
Efficient Active Learning for Automatic Speech Recognition via Augmented Consistency Regularization，submited to INTERSPEECH2020 文章链接 目录Efficient Active Learning for Automatic Speech Recognition via Augmented Consistency Regularization，submited to INTERSPEE
Active learning(主动学习)
haimengao的专栏
07-08 2509
主动学习假设： 1、AL implicitly assumes that a large pool of unlabeled documents is available and that querying this pool is cheap compared to labeling since the latter tak es a human expert’s time
Active learning
jiongjiongai的博客
11-12 153
Active learning Motivation If a learning algorithm can choose data it wants to learn from, then it can perform better. Steps Gether data: Representative of true distribution. Split into seed and unla...
Deep Learning for NLP and Speech Recognition
06-11
Deep Learning for NLP and Speech Recognition，2019年新书，介绍深度学习在自然语言处理和语音识别中的应用。
Automatic Speech Recognition A Deep Learning Approach
12-05
《自动语音识别：深度学习方法》是一本深入探讨如何运用深度学习技术进行语音识别的实践指南。这本书由Dong Yu和Li Deng合著，两位作者在人工智能领域，特别是在语音识别和深度学习方面有着深厚的理论基础和实践经验...
Deep Residual Learning for Image Recognition
08-06
论文：Deep Residual Learning for Image Recognition
Deep Residual Learning for Image Recognition.pdf
04-15
深度较之宽度对神经网络具有更重要的意义，能一定程度模拟人脑，但是随着深度的加深...Deep Residual Learning for Image Recognition一文给出了一种避免梯度消失的网络模型-深度残差网络，对深度学习的发展至关重要。
Deep Learning for Speech Recognition (Adam Coates, Baidu)-g-sndkf7mCs.z02.zip
04-06
Deep Learning for Speech Recognition (Adam Coates, Baidu)大小限制，分两部分上传。嫌麻烦的直接找我留邮箱。
Active Learning 主动学习
xiaopihaierletian的博客
11-08 1709
最近读了一篇paper，题目是An MRF Model-Based Active Learning Framework for the Spectral-Spatial Classification of Hyperspectral Imagery。（题目这么长我也不想的......）这篇文章主要说了马尔科夫随机场还有active learning (AL)结合的问题。刚开始让给我学习AL的时候我
Active Learning主动学习
幸福驿站
03-17 1603
主动学习（Active Learning） 在某些情况下，没有类标签的数据相当丰富而有类标签的数据相当稀少，并且人工对数据进行标记的成本又相当高昂。在这种情况下，我们可以让学习算法主动地提出要对哪些数据进行标注，之后我们要将这些数据送到砖家那里让他们进行标注，再将这些数据加入到训练样本集中对算法进行训练，提高模型的精确度。这一过程叫做主动学习。 主动学习那些比较难的，信息量大的样本。而这些样本...
主动学习（Active Learning）
青年有志
04-20 3740
主动学习基本介绍
主动学习(Active Learning)
热门推荐
猪逻辑公园
12-26 6万+
1. 写在前面 　　在机器学习(Machine learning)领域，监督学习(Supervised learning)、非监督学习(Unsupervised learning)以及半监督学习(Semi-supervised learning)是三类研究比较多，应用比较广的学习技术，wiki上对这三种学习的简单描述如下： 监督学习：通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函...
主动学习（active learning）
qq_46458188的博客
06-10 1642
主动学习
主动学习 active learning
yang_daxia的博客
12-28 210
任何模型都有模型上限，也就是说，即使加入再多的数据，模型也不会增长。所以应该加入尽可能少的数据，更有价值的数据。 总结：主动学习为在无标注的样本池中，挖掘有用的数据标注训练，使得模型使用尽可能少的样本达到模型的上限。 参考： https://zhuanlan.zhihu.com/p/39367595 主动学习(Active learning)算法的原理是什么，有哪些比较具体的应用？ - 阿里巴巴淘系技术的回答 - 知乎 https://www.zhihu.com/question/265479171
主动学习（Active Learning,AL）
weixin_62501745的博客
01-29 433
针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。 在此问题背景下，主动学习（Active Learning, AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。
主动学习 Active Learning - a survey
TangowL
10-10 665
知识点解释 1. 分析机器学习算法的可学习性时，通常有 realizable-assumption 和 non-realizable-assumption。前者表示假设空间中存在 ERM 为零的最优模型，后者表示假设空间中不存在。显然后者更符合真实情况。 2. PAC 理论用严格的形式化语言描述了上述两种情况的 sampl...
deep residual learning for image recognition下载
最新发布
10-16
deep residual learning for image recognition是一种用于图像识别的深度残差学习方法。该方法通过引入残差块（residual block）来构建深度神经网络，以解决深度网络训练过程中的梯度消失和梯度爆炸等问题。 在传统的深度学习网络中，网络层数增加时，随之带来的问题是梯度消失和梯度爆炸。这意味着在网络中进行反向传播时，梯度会变得非常小或非常大，导致网络训练变得困难。deep residual learning则使用了残差连接（residual connection）来解决这一问题。 在残差块中，输入特征图被直接连接到输出特征图上，从而允许网络直接学习输入与输出之间的残差。这样一来，即使网络层数增加，也可以保持梯度相对稳定，加速网络训练的过程。另外，通过残差连接，网络也可以更好地捕获图像中的细节和不同尺度的特征。 使用deep residual learning方法进行图像识别时，我们可以通过在网络中堆叠多个残差块来增加网络的深度。这样，网络可以更好地提取图像中的特征，并在训练过程中学习到更复杂的表示。通过大规模图像数据训练，deep residual learning可以在很多图像识别任务中达到甚至超过人类表现的准确性。 总之，deep residual learning for image recognition是一种利用残差连接解决梯度消失和梯度爆炸问题的深度学习方法，通过增加网络深度并利用残差学习，在图像识别任务中获得了突破性的表现。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值