已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Optimizing Computational Complexity: Real-Time Speech Enhancement Using an Efficient Convolutional Recurrent Dense Neural Network

计算机科学 语音增强 计算复杂性理论 语音识别 可理解性(哲学) 卷积神经网络 推论 延迟(音频) 人工智能 算法 降噪 电信 哲学 认识论
作者
A. A. Rajabi,Mohammed Krini
标识
DOI:10.1109/ispa58351.2023.10278916
摘要

Real-time communication through cell phones and telephones often involves challenging acoustic environments where the original speech signal is contaminated by environmental noise, known as the cocktail party problem. Audio source separation can be an effective solution for isolating the voice in a noisy environment, by suppressing undesired noise without distorting speech components, which can improve speech quality and intelligibility. Deep Neural Network (DNN) models, despite their excellent performance in speech enhancement, require a substantial computational effort during the inference process. This characteristic makes them less than ideal for addressing this specific problem. The high computational complexity of deep models can further impede regression latency, which is crucial for real-time applications that require minimized complexity. Considering these assumptions in this paper, a novel neural network for speech enhancement is presented, which incorporates phase information into the loss function. The proposed method utilizes a convolutional Recurrent Dense (CRD) network, which not only achieves notable computational efficiency but also demonstrates superior performance compared to other existing networks. Experimental results are provided to highlight the advantages and distinctions of the CRD network when compared with alternative state of the art approaches.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
CYM发布了新的文献求助10
1秒前
阳光芫完成签到,获得积分10
1秒前
3秒前
赵可欣完成签到,获得积分10
3秒前
jiaobuyimi完成签到,获得积分10
4秒前
4秒前
yc发布了新的文献求助10
5秒前
axiao完成签到,获得积分10
6秒前
双黄应助xh采纳,获得10
6秒前
pyt发布了新的文献求助10
7秒前
科研通AI2S应助rylynn采纳,获得10
9秒前
小蘑菇应助科研通管家采纳,获得10
10秒前
10秒前
科研通AI2S应助科研通管家采纳,获得10
10秒前
科研通AI2S应助科研通管家采纳,获得10
10秒前
齐齐巴宾应助pyt采纳,获得10
10秒前
jiaobuyimi发布了新的文献求助10
11秒前
激动的南风完成签到,获得积分10
12秒前
眯缝着眼完成签到,获得积分10
15秒前
17秒前
ggg04228完成签到,获得积分20
17秒前
19秒前
yuaner完成签到,获得积分10
20秒前
21秒前
21秒前
archer01发布了新的文献求助10
24秒前
Akim应助小叶不吃香菜采纳,获得10
26秒前
yuaner发布了新的文献求助10
27秒前
DX完成签到,获得积分10
27秒前
29秒前
源来凯始玺欢你完成签到,获得积分20
31秒前
欢呼妙彤发布了新的文献求助10
34秒前
35秒前
36秒前
39秒前
能干的元龙完成签到 ,获得积分10
39秒前
42秒前
年幼时完成签到 ,获得积分10
42秒前
独特的巨人完成签到,获得积分10
43秒前
shimenwanzhao完成签到 ,获得积分10
44秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248577
求助须知:如何正确求助?哪些是违规求助? 2892044
关于积分的说明 8269473
捐赠科研通 2560089
什么是DOI,文献DOI怎么找? 1388851
科研通“疑难数据库(出版商)”最低求助积分说明 650913
邀请新用户注册赠送积分活动 627798