某中心ICASSP 2022论文技术综述

某中心研究人员在本年度声学、语音与信号处理国际会议（ICASSP）上发表了50余篇论文。其中多数聚焦自动语音识别及相关主题，如关键词检测和说话人识别，同时也涉及计算机视觉和联邦学习等更广泛的领域。

本届ICASSP会议包含线上（5月7-13日）和线下（新加坡，5月22-27日）两个环节。

声学事件检测

• 联邦自监督声学事件分类学习：Meng Feng等人提出结合联邦学习与自监督学习的声学事件分类方法
• 基于树状结构本体论的声学事件分类改进：Arman Zharmagambetov团队通过本体论增强表示学习
• WikiTAG：基于维基百科的知识嵌入：Qin Zhang等人利用知识图谱提升声学事件分类性能

自动语音识别

• 基于似然比的端到端模型域适应方法：Chhavi Choudhury团队提出域适应优化方案
• 贪婪采样策略：Jahn Heymann证实特定采样策略对端到端语音识别无损
• 缓存网络：Anastasios Alexandridis团队通过共享语音特征提升ASR效率

在《LATTENTION：ASR重评分中的网格注意力机制》中，研究人员证明对编码多ASR假设的网格应用注意力机制（彩色网格）可提升识别性能。

计算机视觉

• ASD-transformer：基于自注意力和多模态变换器的有效主动说话人检测
• 动态剪枝SegFormer实现高效语义分割
• 时序感知对比学习增强音频-视觉表示生成

联邦学习

• 联邦学习的挑战与机遇展望：Jie Ding团队分析实际应用中的关键问题
• 实际场景中的联邦学习经验：Christophe Dupuy总结实战洞察

信号处理与个性化

• 深度自适应回声消除：融合深度学习与自适应声学回声消除技术
• 基于风格转换的上混技术：通过变分自编码器分离空间图像与音乐内容
• 增量用户嵌入建模：实现个性化文本分类

多语言与情感识别

• 多语言多任务语音情感识别：基于wav2vec 2.0框架
• 跨模态条件师生训练：通过表示学习提升语音情感识别
• 情感感知ASR预训练：增强语音情感识别能力

端到端系统优化

• 端到端Alexa设备仲裁：改进声音源定位
• ASR感知的神经日记化：提升说话人日志记录精度
• 轻量化语音理解模型：支持设备端SLU的上下文感知分类