اكتشاف المتحدث النشط من البداية إلى النهاية

التطورات الحديثة في مشكلة الكشف عن المتحدث النشط (Active Speaker Detection - ASD) تعتمد على عملية من مرحلتين: استخراج الميزات وتجميع السياق الزماني-المكاني. في هذا البحث، نقترح مسارًا كاملاً للكشف عن المتحدث النشط حيث يتم تعلم الميزات والسياقات بشكل مشترك. شبكتنا القابلة للتدريب بشكل كامل تتعلم تمثيلات متعددة الأوضاع وتجمع السياق الزماني-المكاني في آن واحد. هذا يؤدي إلى تمثيلات ميزات أكثر ملاءمة وأداء أفضل في مهمة ASD. كما نقدم كتل الشبكات العصبية الرسومية المتداخلة (Interleaved Graph Neural Network - iGNN)، التي تقوم بتقسيم نقل الرسائل وفقًا للمصادر الرئيسية للسياق في مشكلة ASD. تظهر التجارب أن الميزات المجمعة من كتل iGNN تكون أكثر ملاءمة لـ ASD، مما يؤدي إلى أداء رائد في هذا المجال. أخيرًا، نصمم استراتيجية إشراف ضعيف، والتي توضح أن مشكلة ASD يمكن التعامل معها باستخدام البيانات الصوتية-البصرية ولكن بالاعتماد فقط على التسميات الصوتية. نحقق ذلك من خلال نمذجة العلاقة المباشرة بين الإشارة الصوتية والمصادر المحتملة للصوت (المتحدثين)، بالإضافة إلى تقديم خسارة تباينية (Contrastive Loss). سيتم توفير جميع موارد هذا المشروع على الرابط التالي:https://github.com/fuankarion/end-to-end-asd.