発話者認識のためのリシェイプ次元ネットワーク

本稿では、発話レベルの話者表現を抽出するための新しいニューラルネットワークアーキテクチャとして、Reshape Dimensions Network（ReDimNet）を提案する。本手法は、2次元特徴マップを1次元信号表現に、あるいはその逆に次元を再形状（reshape）する仕組みを活用し、1次元ブロックと2次元ブロックを効果的に統合して用いることを可能にする。また、1次元ブロックと2次元ブロックの出力であるチャネル×時刻×周波数の体積を保持する独自のネットワークトポロジーを提案することで、効率的な残差特徴マップの集約を実現している。さらに、ReDimNetは効率的にスケーラブルであり、モデルサイズを1～15Mパラメータ、計算量を0.5～20 GMACsの範囲で多様に調整可能なモデル群を導入している。実験結果から、ReDimNetは話者認識性能において最先端の成果を達成しつつ、計算複雑性およびモデルパラメータ数を大幅に削減できることを示した。