sinc函数卷积_SincNet论文解读

SincNet是由Micro Ravanelli在NISP 2018上发表的，用CNN处理原始语音波形：https://arxiv.org/pdf/1811.09725.pdf​arxiv.org

同时，发表在SLT2018，作者将SincNet应用到了说话人识别上，并且在说话人辨认和说话人确认任务上都取得了性能提升：https://arxiv.org/pdf/1808.00158.pdf​arxiv.org

下面我们就通过这两篇paper来解读一下什么是SincNet，并且看一下作者如何把SincNet应用在说话人识别任务上。

【文末附代码仓地址】

引言

近年来，许多深度神经网络(DNNs)模型被用于说话人识别。过去大多数的尝试，都是基于手工设计的特征，例如FBank、MFCC等。这些特征在设计之初都是基于人类的听觉感知理论，并不能保证对于具体的语音任务都是最优的。因此，一些新的工作尝试将语音波形直接输入到CNN网络。

本文的作者认为，CNN在处理原始语音波形时，起到关键作用的是第一层卷积层。第一层的卷积核可能会捕捉到一些人类直觉之外的，但是对神经网络有效的一些特征。基于这个想法，本文提出SincNet，将第一层卷积层设计为可训练的带通滤波器。实验表明SincNet相比于标准的CNN，收敛更快，性能更好。

数据集

SincNet模型

1. 第一层卷积层的设计

处理语音波形的第一层卷积，可以视为一组可训练的有限冲激响应滤波器(FIR)，形式化描述如下：

其中