Detail výsledku

CA-MHFA: A Context-Aware Multi-Head Factorized Attentive Pooling for SSL-Based Speaker Verification

PENG, J.; MOŠNER, L.; ZHANG, L.; PLCHOT, O.; STAFYLAKIS, T.; BURGET, L.; ČERNOCKÝ, J. CA-MHFA: A Context-Aware Multi-Head Factorized Attentive Pooling for SSL-Based Speaker Verification. In ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings. Hyderabad: IEEE Signal Processing Society, 2025. p. 1-5. ISBN: 979-8-3503-6874-1.
Typ
článek ve sborníku konference
Jazyk
angličtina
Autoři
Abstrakt

Self-supervised learning (SSL) models for speaker verifica- tion (SV) have gained
significant attention in recent years. However, existing SSL-based SV systems
often struggle to capture local temporal dependencies and generalize across
different tasks. In this paper, we pro- pose context-aware multi-head factorized
attentive pooling (CA-MHFA), a lightweight framework that incorporates contextual
information from surrounding frames. CA-MHFA leverages grouped, learnable queries
to effectively model contextual dependencies while maintaining efficiency by
sharing keys and values across groups. Experimental results on the VoxCeleb
dataset show that CA-MHFA achieves EERs of 0.42%, 0.48%, and 0.96% on Vox1-O,
Vox1-E, and Vox1-H, respectively, outperforming complex models like WavLM-TDNN
with fewer parameters and faster convergence. Additionally, CA-MHFA demonstrates
strong generalization across multiple SSL models and tasks, including emotion
recognition and anti-spoofing, highlighting its robustness and versatility.

Klíčová slova

Self-supervised learning, speaker verification, speaker extractor, pooling
mechanism, speech classification

URL
Rok
2025
Strany
1–5
Sborník
ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings
Konference
ICASSP 2025, International Conference on Acoustics, Speech, and Signal Processing
ISBN
979-8-3503-6874-1
Vydavatel
IEEE Signal Processing Society
Místo
Hyderabad
DOI
UT WoS
001611514300660
EID Scopus
BibTeX
@inproceedings{BUT198050,
  author="Junyi {Peng} and Ladislav {Mošner} and Lin {Zhang} and Oldřich {Plchot} and Themos {Stafylakis} and Lukáš {Burget} and Jan {Černocký}",
  title="CA-MHFA: A Context-Aware Multi-Head Factorized Attentive Pooling for SSL-Based Speaker Verification",
  booktitle="ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings",
  year="2025",
  pages="1--5",
  publisher="IEEE Signal Processing Society",
  address="Hyderabad",
  doi="10.1109/ICASSP49660.2025.10889058",
  isbn="979-8-3503-6874-1",
  url="https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10889058"
}
Soubory
Projekty
Jazykověda, umělá inteligence a jazykové a řečové technologie: od výzkumu k aplikacím, EU, MEZISEKTOROVÁ SPOLUPRÁCE, EH23_020/0008518, zahájení: 2025-01-01, ukončení: 2028-12-31, řešení
Robustní zpracování nahrávek pro operativu a bezpečnost, MV, PROGRAM STRATEGICKÁ PODPORA ROZVOJE BEZPEČNOSTNÍHO VÝZKUMU ČR 2019-2025 (IMPAKT 1) PODPROGRAMU 1 SPOLEČNÉ VÝZKUMNÉ PROJEKTY (BV IMP1/1VS), VJ01010108, zahájení: 2020-10-01, ukončení: 2025-09-30, ukončen
Vylepšování robustních a kreativních technologií lidského jazyka prostřednictvím akcí a výzkumu CHallenge, EU, European Defence Fund, zahájení: 2024-12-01, ukončení: 2029-11-30, řešení
Výměny pro výzkum řeči a technologií, EU, Horizon 2020, zahájení: 2021-01-01, ukončení: 2025-12-31, ukončen
Výzkumné skupiny
Pracoviště
Nahoru