融合空洞卷积与多尺度注意力机制的说话人确认方法

来源：电子测量技术杂志2025年第22期北京时间：

作者：李嘉麒，郑展恒，曾庆宁，王健

单位：1.桂林电子科技大学信息与通信学院 桂林 541004; 2.桂林电子科技大学认知无线电与信息处理教育部重点实验室 桂林 541004

摘要：针对复杂语音环境下CAM++模型在特征提取与识别性能方面存在的不足，本文提出了一种融合空洞卷积与时频多尺度注意力机制的说话人确认模型TF-DCAM。该模型首先利用空洞残差卷积与时频重聚焦机制增强特征提取能力，提升对冗余信息的抑制效果；其次引入时频多尺度注意力模块，通过通道注意力与跨纬度交互机制提升模型对关键信息的感知能力；再通过自适应掩码时序卷积模块强化长时依赖建模；最后采用对比损失函数联合优化嵌入空间结构。实验在CN-Celeb数据集上表明，TF-DCAM在EER和minDCF上分别相较基线模型降低了14.98%和10.98%；在VoxCeleb1上亦展现出良好的跨语种泛化能力。结果证明所提方法在保证轻量化的同时显著提升了说话人确认性能与鲁棒性。

关键词：深度学习;说话人确认;时频多尺度注意力;空洞卷积;对比损失函数

基金资助：认知无线电与信息处理教育部重点实验室项目(CRKL230103)资助