Apprentissage discriminant des GMM à grande marge pour la vérification automatique du locuteur

Abstract : Gaussian mixture models (GMM) have been widely and successfully used in speaker recognition during the last decades. They are generally trained using the generative criterion of maximum likelihood estimation. In an earlier work, we proposed an algorithm for discriminative training of GMM with diagonal covariances under a large margin criterion. In this paper, we present a new version of this algorithm which has the major advantage of being computationally highly efficient. The resulting algorithm is thus well suited to handle large scale databases. To show the effectiveness of the new algorithm, we carry out a full NIST speaker verification task using NIST-SRE'2006 data. The results show that our system outperforms the baseline GMM, and with high computational efficiency.
Type de document :
Communication dans un congrès
GRETSI, Sep 2011, Bordeaux, France. 2011
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00647978
Contributeur : Khalid Daoudi <>
Soumis le : dimanche 4 décembre 2011 - 15:00:21
Dernière modification le : jeudi 11 janvier 2018 - 06:21:34
Document(s) archivé(s) le : lundi 5 mars 2012 - 02:20:28

Fichier

GRETSI-2011.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00647978, version 1

Collections

Citation

Reda Jourani, Khalid Daoudi, Régine André-Obrecht, Driss Aboutajdine. Apprentissage discriminant des GMM à grande marge pour la vérification automatique du locuteur. GRETSI, Sep 2011, Bordeaux, France. 2011. 〈hal-00647978〉

Partager

Métriques

Consultations de la notice

352

Téléchargements de fichiers

253