帧语音识别的上下文窗口

Question

在许多语音识别论文中，我看到了“框架上下文窗口”这一术语。我不确定这一点，但看起来你从话语中提取了一帧x，然后将这一帧与5个之前的帧和5个未来的帧连接起来。并且该上下文窗口的标签是中心框架。我说的对吗？

谢谢

(顺便说一句，数字5只是一个例子)

Answer 1

是的，这个术语从深度神经网络(DNN)在自动语音识别中的应用开始流行起来。例如，"11帧声学上下文窗口“意味着将5个前一帧和5个未来帧的特征向量连接到当前帧的向量。但是标签仍然是中心框架的标签。使用上下文窗口提高了DNN模型的性能，但不是以前使用的HMM(隐马尔可夫模型)。

有关更多信息，请参阅this文章。