用于说话人识别的重塑维度网络

本文提出了一种名为重塑维度网络（Reshape Dimensions Network, ReDimNet）的新型神经网络架构，用于提取话语级说话人表征。该方法通过将二维特征图在时频维度上进行维度重塑，实现从二维特征到一维信号表示的转换，以及反向转换，从而支持一维与二维模块的联合使用。我们设计了一种创新的网络拓扑结构，有效保持了一维与二维模块输出的通道-时间-频率维度体积，促进了残差特征图的高效聚合。此外，ReDimNet具有良好的可扩展性，本文构建了多种不同规模的模型，参数量范围为100万至1500万，计算量（GMACs）范围为0.5至20 GMACs。实验结果表明，ReDimNet在说话人识别任务中达到了当前最优性能，同时显著降低了计算复杂度和模型参数量。