[发明专利]一种基于多层特征融合的端点检测方法、装置以及设备

说明书

本发明公开了一种基于多层特征融合的端点检测方法、装置、设备及计算机可读存储介质，包括：将带标签的样本数据集分别输入至初始端点检测网络的编码器中，将编码器的输出输入至解码器中；将编码器提取的特征与解码器提取的分辨率相同的特征进行融合，得到各个样本数据的融合特征；利用各个样本数据的融合特征确定各个样本数据的端点预测值，利用损失函数计算各个样本数据的端点预测值与标签值的误差；利用反向传播算法对初始端点检测网络的参数进行优化直至达到预设精度，得到目标端点检测网络；将待检测数据输入至目标端点检测网络中，输出端点检测结果。本发明所提供的方法、装置、设备及计算机可读存储介质，提高了端点检测的适应性及鲁棒性。

技术领域

本发明涉及信号检测技术领域，特别是涉及一种基于多层特征融合的端点检测方法、装置、设备以及计算机可读存储介质。

背景技术

端点检测技术是指从连续采样信号中检测出实际信号的起始点及终止点的方法与技术。端点检测一方面可以进行信号有效提取及检测，排除噪声等其他信号的干扰，提供高质量信号供后续信号处理；另一方面可以去除不必要的信号片段，即从连续信息流中分离出有效信号，有效降低存储或传输的数据量，减少处理时间。目前，端点检测技术在语音编码、语音识别等方面取得了广泛应用。

目前，端点检测技术依据特征提取方式大致分为两类：一种是基于人工特征提取的端点检测方法，另一种为基于深度学习的端点检测算法。

基于特征提取的端点检测算法是指从以人为基础，从数据信号中提取时域或频域上的特征参数，根据信号在特征参数上的分布规律，建立区分性模型来进行检测识别，时域特征主要包括能量、分形维等，频域特征参数主要包括倒谱距离、频带方差等。

相比基于人工方式进行特征提取的端点检测算法，深度学习算法具有从原始数据中学习特征的能力，避免人工设计特征。深度学习算法的一个显著优势是其层次性学习能力，在较低层次上学习通用模式，在较高层次上学习复杂模式。基于这一特性，可以利用深度学习算法从低层网络特征中学习区分性特征(能量、基频等)，通过深层特征多层非线性的特性学习多种噪声模式，从而实现端点检测的目的。但现有端点检测算法在低信噪比情况下端点检测效果不理想，难以取得理想结果。且现有端点检测算法多需要人为根据具体场景设计具体特征，特征间差异大，因此算法自适应能力较差。

综上所述可以看出，如何提高端点检测的适应性及鲁棒性是目前有待解决的问题。

发明内容

本发明的目的是提供一种基于多层特征融合的端点检测方法、装置、设备以及计算机可读存储介质，已解决现有端点检测算法自适应能力差、检测效果不理想的问题。

为解决上述技术问题，本发明提供一种基于多层特征融合的端点检测方法，包括：将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。

优选地，所述编码器包括多个卷积层与多个池化层。

优选地，所述解码器包括多个上采样层与多个反卷积层。

优选地，所述将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中包括：

将带初至时间标签的地震波数据样本集分别输入所述初始初至拾取网络的编码器中，通过所述编码器中多个卷积层与池化层的逐层组合，提取每道地震波数据的不同分辨率特征；