某中心ICASSP 2022论文技术综述
某中心研究人员在2022年声学、语音与信号处理国际会议（ICASSP）上发表了50余篇论文。这些论文主要集中在自动语音识别及相关主题，如关键词识别和说话人识别，同时也涉及计算机视觉和联邦学习等领域。
今年的ICASSP会议包括线上（5月7日至13日）和线下（新加坡，5月22日至27日）两个部分。
主要技术领域
声学事件检测
- 联邦自监督学习用于声学事件分类：Meng Feng等人
- 基于树结构本体的改进声学事件分类表示学习：Arman Zharmagambetov等人
- WikiTAG：基于维基百科的知识嵌入改进声学事件分类：Qin Zhang等人
自动语音识别（ASR）
- 基于似然比的端到端模型域适应方法：Chhavi Choudhury等人
- 贪婪采样策略对端到端语音识别无损害：Jahn Heymann等人
- 缓存网络：利用常见语音优化ASR：Anastasios Alexandridis等人
- LATTENTION：ASR重评分中的格点注意力机制：Prabhat Pandey等人
- 知识注入子词建模提升OOV命名实体识别：Nilaksh Das等人
- 贝叶斯神经建模缓解端到端语音识别中的对抗样本：Chao-Han Huck Yang等人
- 多模态预训练用于自动语音识别：David M. Chan等人
- 多轮RNN-T用于流式多说话人语音识别：Ilya Sklyar等人
- RescoreBERT：基于BERT的判别性语音识别重评分：Liyan Xu等人
- USTED：统一语音文本编码器-解码器改进ASR：Bolaji Yusuf等人
- VADOI：端到端长语音识别的语音活动检测重叠推理：Jinhan Wang等人
计算机视觉
- ASD-transformer：使用自注意力和多模态transformer的高效主动说话人检测：Gourav Datta等人
- 动态剪枝SegFormer实现高效语义分割：Haoli Bai等人
- 时态认知增强的对比学习用于音频-视觉表示生成：Chandrashekhar Lavania等人
- 模型偏移预测器的少样本视线估计：Jiawei Ma等人
- 自监督注意力在低标签高数据机制中的视觉表示学习：Prarthana Bhattacharyya等人
联邦学习
- 联邦学习的挑战与机遇展望：Jie Ding等人
- 现实世界联邦学习的经验教训：Christophe Dupuy等人
信息检索
- 基于对比知识图谱注意力的食谱推荐：Xiyao Ma等人
关键词识别
- 统一推测、检测和验证关键词识别：Geng-shen Fu等人
机器翻译
- 等距机器翻译：自动配音的神经机器翻译：Surafel Melaku Lakew等人
自然语言理解
- ADVIN：从用户文本中自动发现新领域和意图：Nikhita Vedula等人
- 大规模NLU模型的高效DP-SGD机制：Christophe Dupuy等人
副语言学
- 基于情感类别与基元关系的语音情感识别置信度估计：Yang Li等人
- 使用wav2vec 2.0的多语言多任务语音情感识别：Mayank Sharma
- 通过跨模态条件师生训练的语音情感识别表示学习：Sundararajan Srinivasan等人
- 情感感知的自动语音识别预训练增强语音情感识别：Ayoub Ghriss等人
个性化
- 个性化文本分类的增量用户嵌入建模：Ruixue Lian等人
信号处理
- 深度自适应AEC：深度学习与自适应声学回声消除的混合：Hao Zhang等人
- 基于色谱图音高感知重混合的改进歌声分离：Siyuan Yuan等人
- 声波稀疏恢复：Mohamed Mansour
- 通过风格转换的上混：解耦空间图像和音乐内容的变分自编码器：Haici Yang等人
声源定位
- 端到端设备仲裁：Jarred Barber等人
说话人日记/识别/验证
- ASR感知的端到端神经日记化：Aparna Khare等人
- 通过组适应融合网络改进说话人验证的公平性：Hua Shen等人
- OpenFEAT：使用Transformer进行开放集少样本嵌入适应的说话人识别改进：Kishan K C等人
- 使用人机对话的自监督说话人识别训练：Metehan Cekic等人
- 使用简单连体网络和自监督正则化的自监督说话人验证：Mufan Sang等人
口语理解
- 用于端到端对话行为分类的神经韵律编码器：Kai Wei等人
- 带有语义解码器的多任务RNN-T用于可流式口语理解：Xuandi Fu等人
- 跨模态潜在空间实现端到端口语理解：Bhuvan Agrawal等人
- TINYS2I：具有上下文支持的设备端SLU小足迹话语分类模型：Anastasios Alexandridis等人
文本到语音（TTS）
- 使用数据增强的跨说话人风格迁移：Manuel Sam Ribeiro等人
- 低资源表达性文本到语音的分布增强：Mateusz Lajszczak等人
- 自动配音的神经TTS持续时间建模：Johanes Effendi等人
- 精简神经语音合成：提高LPCNET效率：Jean-Marc Valin等人
- 使用标准化流的无文本非并行多对多语音转换：Thomas Merritt等人
- VoiceFilter：使用语音转换作为后处理模块的少样本TTS说话人适应：Adam Gabrys等人
时间序列预测
- 基于回测bootstrap和自适应残差选择的鲁棒非参数分布预测：Longshaokan Marshall Wang等人