3 个月前

NNI 基于示例查询系统在 MediaEval 2014 中的应用

NNI 基于示例查询系统在 MediaEval 2014 中的应用

摘要

本文介绍了NNI(NWPU-NTU-I2R)团队在Mediaeval 2014评测中针对QUESST任务所提出的系统方案。为解决该问题,我们采用了基于动态时间规整(DTW)与符号搜索(SS)的两种方法。DTW系统通过子序列DTW算法与后验概率表示进行模板匹配;符号搜索则在电话识别器生成的音素序列上进行。针对符号搜索与DTW搜索,均采用了部分序列匹配策略,以降低漏检率,尤其针对查询类型2和类型3。在融合9个DTW系统、7个符号搜索系统以及查询长度的辅助信息后,所有查询类型的综合实际归一化交叉熵(actCnxe)达到0.6023;对于复杂查询类型3,取得了0.7252的actCnxe性能。

基准测试

基准方法指标
keyword-spotting-on-quesstNNI DTW(All Queries)
ATWV: 0.2918
Cnxe: 0.6925
MTWV: 0.2974
MinCnxe: 0.6816
keyword-spotting-on-quesstNNI non-filtered(for the development set)
ATWV: 0.0768
Cnxe: 6.0905
MTWV: 0.0767
MinCnxe: 0.9571
keyword-spotting-on-quesstNNI Choi(for the development set)
ATWV: 0.0692
Cnxe: 5.8940
MTWV: 0.0692
MinCnxe: 0.9595
keyword-spotting-on-quesstNNI Symbolic(All Queries)
ATWV: 0.2696
Cnxe: 0.7322
MTWV: 0.2717
MinCnxe: 0.7293

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
NNI 基于示例查询系统在 MediaEval 2014 中的应用 | 论文 | HyperAI超神经