标签：Multi Task dependent 学习 vector y1 y2 多任务

本文采用多任务学习方法，在学习说话人特征的同时，学习文本短语的知识，进行text-dependent的说话人识别

实现流程

采用多任务学习，目标函数为：

C代表交叉熵，y1，y2代表了真实标签，y1,y2,是模型输出，共享的参数可由两个目标函数共同优化。
测试时将输出层去掉，取输出的平均值，所得即为j-vector。
最后使用PLDA进行打分。

实验

与原始的d-vector、r-vector相比，j-vector取得了较好的结果。

标签：Multi,Task,dependent,学习,vector,y1,y2,多任务
来源： https://blog.csdn.net/qq_41048571/article/details/119299057

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。