-
公开(公告)号:CN114678030B
公开(公告)日:2024-09-06
申请号:CN202210304443.4
申请日:2022-03-17
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
Abstract: 本发明涉及一种基于深度残差网络和注意力机制的声纹识别方法、装置及计算机可读存储介质,属于语音识别技术领域,包括步骤:S1:对采集到的音频数据进行预处理,得到能够模拟人耳某些特性的MFCC特征;S2:构建FAM,将S1得到的特征经过帧级注意力模块对每帧的重要性进行加权运算,得到加权后的MFCC特征;S3:构建声纹识别网络并进行声纹识别;引入MobileNet的设计思想,将普通卷积替换为深度可分离卷积以降低网络参数量;在ResNet50的每一个layer后加入通道域注意力模块建模各个特征通道的重要程度,针对不同的说话人增强或抑制不同的通道,最后将特征输入网络中的分类器进行分类,实现声纹识别。
-
公开(公告)号:CN114678030A
公开(公告)日:2022-06-28
申请号:CN202210304443.4
申请日:2022-03-17
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
Abstract: 本发明涉及一种基于深度残差网络和注意力机制的声纹识别方法、装置及计算机可读存储介质,属于语音识别技术领域,包括步骤:S1:对采集到的音频数据进行预处理,得到能够模拟人耳某些特性的MFCC特征;S2:构建FAM,将S1得到的特征经过帧级注意力模块对每帧的重要性进行加权运算,得到加权后的MFCC特征;S3:构建声纹识别网络并进行声纹识别;引入MobileNet的设计思想,将普通卷积替换为深度可分离卷积以降低网络参数量;在ResNet50的每一个layer后加入通道域注意力模块建模各个特征通道的重要程度,针对不同的说话人增强或抑制不同的通道,最后将特征输入网络中的分类器进行分类,实现声纹识别。
-
公开(公告)号:CN114596591A
公开(公告)日:2022-06-07
申请号:CN202210265679.1
申请日:2022-03-17
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
IPC: G06V40/10 , G06V40/16 , G06V40/20 , G06V20/40 , G06N3/04 , G06N3/08 , G10L15/22 , G10L15/26 , G10L17/02 , G10L17/04 , G10L17/18 , G10L19/02 , G10L25/24
Abstract: 本发明涉及一种语音识别触发的服务人员手势规范识别及检测方法,属于计算机视觉技术领域。该方法包括以下步骤:S1:采集设备安装位置和安装条件的设置;S2:建立服务人员音色库和人脸库,以及说话人音色及其人脸信息的对应关系,用于识别说话人身份;S3:建立语音识别模型,用于识别说话内容,判定说话内容中是否存在关键词/句;S4:建立人脸识别模型,用于识别服务人员人体区域范围;S5:构建服务手势识别模型,用于辨识服务人员规范性。本发明通过建立语音和人体姿态间的事件链关系,从语音关联到行为姿态过程,在视频信息复杂的场景中,快速、准确地定位和识别服务人员手势规范性,以便对其进行监测上报和提示预警。
-
公开(公告)号:CN112256964A
公开(公告)日:2021-01-22
申请号:CN202011140311.X
申请日:2020-10-22
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
IPC: G06F16/9535 , G06F16/951 , G06K9/62 , G06N3/08
Abstract: 本发明涉及一种基于多维度数据学习的金融机构潜在客户推荐方法,属于数据处理技术领域。通过数据获取模块获取初始样本数据,根据预设的数据结构将所述样本数据建立初始数据集并存储至服务器主体中;数据处理模块对数据进行清洗,去除唯一属性,进行缺失值处理和异常值处理,最后对数据标准化,保证数据集中的数据全都真实有效;数据筛选模块对所述数据集进行筛选,用PCA对数据降维,方便之后数据的可视化;推荐模型模块先获取上述经过处理之后的多维数据,然后将多维数据送入推荐模型中进行数据分析得到分析结果,并为每个客户进行等级预测。本发明在保证数据分析速度时同时兼顾精度,提高数据分析的效率。
-
公开(公告)号:CN112215704A
公开(公告)日:2021-01-12
申请号:CN202011141781.8
申请日:2020-10-22
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
Abstract: 本发明涉及一种零存整取模式下存户存款贡献度评估方法,属于数据处理技术领域。该方法包括:通过对样本数据进行筛选以及清洗,对零存整取模式下存户存款异常数据进行过滤,得到数据集;获取用户特征数据,用户特征数据包括:存户历史缴款信息;将训练数据集输入模型进行训练分析,得到评估存户存款贡献度模型,将测试数据集用户特征数据输入至已训练的模型进行预测操作,以输出预测信息,根据预测信息生成存户存款贡献度评估信息,由此大大提高了对存户存款贡献度评估的准确度。
-
-
-
-