声纹识别算法阅读之VoxCeleb2
论文：
VoxCeleb2: Deep Speaker Recognition
思想：显然，VoxCeleb2是在voxceleb基础上扩充和改进，仍然是两个贡献点：
1）扩大声纹识别数据集，由voxceleb的1251说话人超过19万句子，到voxceleb2的超过6000说话人共计超过百万的语音句子，适用于噪声和非约束场景下的声纹识别任务；
2）相比VGG-M,采用更深更先进的resnet-34和resnet-50网络架构，能够进一步提升识别效果
模型：
本文的网络结构采用了两种相较于VGG层数更深的resnet结构，resnet通过多个res-block串联而成，每个res-block包含多层卷积层和跳跃连接机制。本文实验了两种resnet结构，resnet-34和resnet-50；此外，类似于VoxCeleb，VoxCeleb2也采用了全局平均池化层来缩减训练参数和接受任意长度的test样本输入
训练：
- 数据集：voxceleb2:6000+celebrities，over一百万utts.
- 输入：对输入音频进行滑动切片，每片3s，得到512*300大小的频-时图输入到网络中；
- 预处理：CMVN，均值方差归一化
- tricks：网络中引入bn，激活函数ReLU
- 训练目标：
- 说话人辨别：CE交叉熵损失，输出单元为5994
- 说话人确认：对比损失contrastive loss，采样先CE预训练再siamese网络对比损失finetune策略，finetune时将最后一层全连接替换为维度为512的全连接
其中，d2为样本对之间的欧式距离,y属于{0,1},y=1表示样本对属于同一类，y=0表示不属于同一类；这样，对于同一类之间的距离越小，损失越小；对于不同类之间的距离越大，损失越小；这就起到缩小类内间距，同时扩大类间间距至少margin的目的
test augmentation：test时采用三种策略的特征表达计算
- 对测试音频采取滑窗形式切成3s的音频段，随机采样10个音频段，然后计算10个特征表达的均值(1)
- 采用平均池化层，能够接受任意长度输入，转化为固定维度的输出表达(2)
- 对测试音频采取滑窗形式切成3s的音频段，随机采样10个音频段，比较两个样本的相似度时，采取任意两两距离计算，得到10*10个距离得分，然后取均值作为最终距离得分(3
训练策略：
- epoch=30
- 早停
- batch-size=64
- SGD with momentum=0.9、weight decay＝5E-4、对数衰减的学习率从10-2->10-8
实验结果：
- 在声纹确认任务中，实验结果表明resnet-50和resnet-30均取得了比i-vector based model和VGG-M更好的结果；此外，resnet-50相比于resnet-30优势更佳明显，得益于其更深的网络结构和skip-connection;再者，test时的三种特征表达中，计算10*10个距离的均值策略(3)要稍微优于平均池化层(2)，同时平均池化层(2)有略优于10个音频段特征表达的均值(3)
- 确认任务中，从voxceleb1数据集中抽取测试样本对进行测试，抽取时有两种策略，1）从整个voxceleb1中随机抽取581,480个样本对；2）从voxceleb1具有相同民族和相同性别的数据子集中抽取552,536个样本对；在两种策略下，测试效果都比较好，侧面反映了模型的泛化能力
结论：本文相当于在voxceleb上针对两个贡献点继续扩充和改进：
1）提供了一个更大规模(6000+speakers,over 100万utts)的声纹识别数据集，该数据来源于YouTube，同样适应于非约束性的数据场景；
2）采用相比于VGG-M深的多的CNN网络(resnet-34、resnet-50)进行说话人辨别和确认的基本框架，同样引入全局平均池化，一方面减少模型训练参数，另一方面test能够接受任意长度的输入；此外，resnet结构中引入了BN进行归一化，一定程度上加速训练过程
Reference:
[1] https://arxiv.org/pdf/1706.08612.pdf(voxceleb)
[2] https://arxiv.org/pdf/1806.05622.pdf(voxceleb2)
