概述
- ECAPA-TDNN是说话人识别中基于TDNN的神经网络，是目前最好的单体模型之一
-
关于TDNN，可以参考
深入理解TDNN（Time Delay Neural Network）——兼谈x-vector网络结构
ECAPA-TDNN
-
TDNN本质上是1维卷积，而且常常是1维膨胀卷积，这样的一种结构非常注重context，也就是上下文信息，具体而言，是在frame-level的变换中，更多地利用相邻frame的信息，甚至跳过
t−
1
,
t
+
1
t-1,t+1
t
−
1
,
t
+
1
的frame，而去对
t−
2
,
t
+
2
t-2,t+2
t
−
2
,
t
+
2
的frame进行连接 -
在ECAPA-TDNN中，更是进一步利用了膨胀卷积，出现了
di
l
a
t
i
o
n
=
2
,
3
,
4
dilation=2,3,4
d
i
l
a
t
i
o
n
=
2
,
3
,
4
的情况。此外，还引入了Res2Net，从而获得了多尺度的context，所谓多尺度，指的是各种大小的感受野 -
1维膨胀卷积已经在
深入理解TDNN（Time Delay Neural Network）——兼谈x-vector网络结构
中讲解清楚，下面先介绍Res2Net
Res2Net
-
经典的ResNet结构如下左图所示，先用
ke
r
n
e
l
–
s
i
z
e
=
1
×
1
kernel \text{-} size=1 \times 1
k
er
n
e
l
–
s
i
ze
=
1
×
1
的卷积运算，相当于只针对每个像素点的特征通道进行变换，而不关注该像素点的任何邻近像素，并且是降低特征通道的，所以也被叫做Bottleneck，就好像将可乐从瓶口倒出来，如果是增加特征通道，那么就叫Inverted Bottleneck -
1×
1
1\times1
1
×
1
卷积后，会经过
3×
3
3\times3
3
×
3
卷积，通常不改变特征通道，如果不需要在最后加上残差连接，那么
st
r
i
d
e
=
2
stride=2
s
t
r
i
d
e
=
2
，特征图的分辨率会被下采样，如果需要在最后加上残差连接，那么
st
r
i
d
e
=
1
stride=1
s
t
r
i
d
e
=
1
，保持特征图分辨率不变 -
最后还会有一个
1×
1
1\times1
1
×
1
卷积，目的是复原每个像素点的特征通道，使其等于输入时的特征通道，从而能够进行残差连接。整个Bottleneck block形似一个沙漏，中间是窄的（特征通道少），两边是宽的（特征通道多）
-
而Res2Net则是在中间的
3×
3
3\times3
3
×
3
卷积进行的微创新，首先将
1×
1
1\times1
1
×
1
卷积后的特征图，按照特征通道数进行平分，得到
sc
a
l
e
scale
sc
a
l
e
个相同的特征图（这里的
sc
a
l
e
scale
sc
a
l
e
是“尺度”的意思，Res2Net的作用就是多尺度特征，一语双关） -
第一个特征图保留，不进行变换，这是对前一层特征的复用，同时也降低了参数量和计算量。从第二个特征图开始，都进行
3×
3
3\times3
3
×
3
卷积，并且当前特征图的卷积结果，会与后一个特征图进行残差连接（逐元素相加），然后，后一个特征图再进行
3×
3
3\times3
3
×
3
卷积 -
卷积中有一个概念叫感受野，是指当前特征图上的像素点，由之前某一个特征图在多大的分辨率下进行卷积得到的。如下图所示，
di
l
a
t
i
o
n
=
1
dilation=1
d
i
l
a
t
i
o
n
=
1
的
3×
3
3\times3
3
×
3
卷积，其输出特征图的每一个像素点的感受野都是
3×
3
3\times3
3
×
3
，再进行
di
l
a
t
i
o
n
=
1
dilation=1
d
i
l
a
t
i
o
n
=
1
的
3×
3
3\times3
3
×
3
卷积，其输出特征图的每一个像素点的感受野都是
5×
5
5\times5
5
×
5
-
因此Res2Net中，第二个特征图的感受野为
3×
3
3\times3
3
×
3
，第三个特征图的感受野为
5×
5
+
3
×
3
5\times5+3\times3
5
×
5
+
3
×
3
，第四个特征图的感受野为
7×
7
+
5
×
5
+
3
×
3
7\times7+5\times5+3\times3
7
×
7
+
5
×
5
+
3
×
3
，以此类推，从而得到多尺度特征 -
所有的卷积结果都会按照特征通道进行串联（concatenate），由于第一个特征图保留，不进行变换，所以后续的特征图维度必须与第一个特征图相同，因此
3×
3
3\times3
3
×
3
卷积不改变特征通道和分辨率 -
最后的
1×
1
1\times1
1
×
1
卷积，目的是复原每个像素点的特征通道，使其等于输入时的特征通道，从而能够进行残差连接 - Res2Net可以作为一个即插即用的结构，插入到现有的其他神经网络中，还可以与其他即插即用的结构一起工作，比如SENet和ResNeXt
SENet
-
SENet（Squeeze-and-Excitation Networks）是现代卷积神经网络所必备的结构，性能提升明显，计算量不大。基本思路是将一个特征图的每个特征通道，都映射成一个值（常用全局平均池化，即取该特征通道的均值，代表该通道），从而特征图会映射为一个向量，长度与特征通道数一致
-
之后，对向量进行FC（用1维卷积也行，等价的），输出长度为特征通道数的
1r
\frac{1}{r}
r
1
，然后经过激活函数ReLU，这个过程称为Squeeze（挤压）；再进行FC，输出长度与特征通道数一致，然后经过激活函数Sigmoid，这个过程称为Excitation（激励）；此时输出向量的每一个值，范围都是
(0
,
1
)
(0,1)
(
0
,
1
)
，最后用输出向量的每一个值，对输入特征图的对应通道进行加权，这个过程称为Scale（伸缩）
-
SENet的结构相当于对特征图的特征通道进行加权，因为每个特征通道的重要性是不一样的，所以让神经网络自行学习每个特征通道的权重，因此是一种Attention机制。并且输入特征图和输出特征图的维度完全一致，从而可以作为一个即插即用的结构，下面是Res2Net与SENet结合得到的结构，被称为SE-Res2Net
-
Res2Net还可以与ResNeXt结合，其实就是将中间的
3×
3
3\times3
3
×
3
卷积换成
3×
3
3\times3
3
×
3
分组卷积，不过ECAPA-TDNN中没有用到，就不再赘述了，接下来介绍ECAPA-TDNN的具体设计
回到ECAPA-TDNN
-
在ECAPA-TDNN中所用的Res2Net，是上述结构中的2维卷积全部换成1维卷积，采用的中间
k=
3
k=3
k
=
3
卷积（1维卷积，不能用
3×
3
3\times3
3
×
3
表示，以下都用
k=
3
k=3
k
=
3
代替）为膨胀卷积，并且随着网络深度增加，
di
l
a
t
i
o
n
dilation
d
i
l
a
t
i
o
n
分别为
2,
3
,
4
2,3,4
2
,
3
,
4
。ECAPA-TDNN的结构图如下，SE-Res2Block后面括号内的参数，指的是Res2Block的中间
k=
3
k=3
k
=
3
卷积的参数
-
SE-Res2Block的内部，如下图所示，夹着Res2的两个CRB（Conv1D+ReLU+BN）结构的参数为
(k
=
1
,
d
=
1
)
(k=1,d=1)
(
k
=
1
,
d
=
1
)
，中间的Res2，
sc
a
l
e
=
8
scale=8
sc
a
l
e
=
8
，之后的运算与上述Res2Net一致，不过每个
k=
3
k=3
k
=
3
卷积都是膨胀卷积，并且都会接ReLU和BN，从而形成Res2 Dilated Conv1D+ReLU+BN的结构
- 最后的SE-Block是在特征维度进行的，也就是将T个frame的特征，在每个特征维度求平均，得到的向量，长度与特征维度一致，之后的运算与上述SENet一致
-
之前提到ResNet结构是沙漏型的，但是ECAPA-TDNN的frame-level变换中的ResNet结构，除了Res2会把特征维度进行平分外，其余的运算都没有发生特征维度的变化，关于frame-level变换，详见
深入理解TDNN（Time Delay Neural Network）——兼谈x-vector网络结构
。ECAPA-TDNN有两个版本，主要区别就在于frame-level的变换中，特征维度是512还是1024 - frame-level变换之后，则是统计池化（Statistics Pooling），ECAPA-TDNN采用了ASP作为统计池化层，并且还进行了一些改进
ASP
- ASP（Attentive Statistics Pooling）是2018年提出的，至今仍然广为使用的带有Attention的统计池化层，直到2022年才出现竞争对手（一种带有Multi-head Attention的统计池化）
-
ECAPA-TDNN中对ASP进行了改进，首先将之前3个SE-Res2Block的输出，按照特征维度进行串联，假设frame-level变换中的特征维度是512，由于3个SE-Res2Block的输出维度都是
(b
s
,
512
,
T
)
(bs,512,T)
(
b
s
,
512
,
T
)
，所以串联之后是
(b
s
,
512
∗
3
,
T
)
(bs,512*3,T)
(
b
s
,
512
∗
3
,
T
)
，之后经过一个CRB结构，输出维度固定为
(b
s
,
1536
,
T
)
(bs,1536,T)
(
b
s
,
1536
,
T
)
，即便frame-level的特征维度是1024，该CRB的输出维度也不变。如下图所示
-
对特征图
(b
s
,
1536
,
T
)
(bs,1536,T)
(
b
s
,
1536
,
T
)
，记为h，按照T维度计算每个特征维度的均值和标准差，如上图的TSTP公式所示（符号
⊙\odot
⊙
表示哈达玛积，即对应项相乘，两个因子的维度必须相同，从而结果的维度与因子的维度也相同），从而T维度消失，得到的均值和标准差维度均为
(b
s
,
1536
)
(bs,1536)
(
b
s
,
1536
)
-
之后的操作很神奇，将均值在T维度重复堆叠T次，维度恢复为
(b
s
,
1536
,
T
)
(bs,1536,T)
(
b
s
,
1536
,
T
)
，对标准差也是堆叠，维度恢复为
(b
s
,
1536
,
T
)
(bs,1536,T)
(
b
s
,
1536
,
T
)
，接着将特征图、均值和标准差在特征维度进行串联，得到的特征图维度为
(b
s
,
1536
∗
3
,
T
)
(bs,1536*3,T)
(
b
s
,
1536
∗
3
,
T
)
，记为H
-
对H进行1维卷积，等价于上图的
W×
H
+
b
W\times H+b
W
×
H
+
b
，目的是将每个frame的特征从1536*3维降维映射到F维，F可取128，然后经过tanh激活函数，得到特征图a，维度为
(b
s
,
F
,
T
)
(bs,F,T)
(
b
s
,
F
,
T
)
-
对a进行1维卷积，等价于上图的
V×
a
+
k
V\times a+k
V
×
a
+
k
，目的是将每个frame的特征从F维恢复映射到与h相同的维度，即1536，然后在T维度，进行softmax激活，得到特征图a，维度为
(b
s
,
1536
,
T
)
(bs,1536,T)
(
b
s
,
1536
,
T
)
-
此时的特征图a的每一行特征，在T维度上求和，都等于1，这是softmax激活的效果，又因为与h的维度相同，所以可以将a视为一种Attention分数，利用上图的ASTP公式，对h求基于Attention的均值和标准差，关于Attention分数，可以参考
深入理解Self-attention（自注意力机制）
-
基于Attention的均值和标准差，维度都为
(b
s
,
1536
)
(bs,1536)
(
b
s
,
1536
)
，再将它们按照特征维度进行串联，得到ASP最终的输出，维度为
(b
s
,
1536
∗
2
)
(bs,1536*2)
(
b
s
,
1536
∗
2
)
，在ECAPA-TDNN中，ASP之后还会接一个BN
BN
-
这一节是讲BN（Batch Normalization）的，可能观众会感觉我太啰嗦了，怎么连BN都要讲，主要是ECAPA-TDNN是一个完全的TDNN结构，连BN都是1维的，所以怕大家一下子转不过来弯，下面主要讲解1维BN，自认对BN滚瓜烂熟的观众，可跳过本节
to
r
c
h
.
n
n
.
B
a
t
c
h
N
o
r
m
1
d
(
n
u
m
–
f
e
a
t
u
r
e
s
,
e
p
s
=
1
e
−
05
,
m
o
m
e
n
t
u
m
=
0.1
,
a
f
f
i
n
e
=
T
r
u
e
,
t
r
a
c
k
–
r
u
n
n
i
n
g
–
s
t
a
t
s
=
T
r
u
e
,
d
e
v
i
c
e
=
N
o
n
e
,
d
t
y
p
e
=
N
o
n
e
)
torch.nn.BatchNorm1d(num \text{-} features, eps=1e-05, momentum=0.1, affine=True, track \text{-} running \text{-} stats=True, device=None, dtype=None)
t
orc
h
.
nn
.
B
a
t
c
h
N
or
m
1
d
(
n
u
m
–
f
e
a
t
u
res
,
e
p
s
=
1
e
−
05
,
m
o
m
e
n
t
u
m
=
0.1
,
a
ff
in
e
=
T
r
u
e
,
t
r
a
c
k
–
r
u
nnin
g
–
s
t
a
t
s
=
T
r
u
e
,
d
e
v
i
ce
=
N
o
n
e
,
d
t
y
p
e
=
N
o
n
e
)
-
BN中的
nu
m
–
f
e
a
t
u
r
e
s
num \text{-} features
n
u
m
–
f
e
a
t
u
res
是理解BN的关键，对于图像任务，
nu
m
–
f
e
a
t
u
r
e
s
num \text{-} features
n
u
m
–
f
e
a
t
u
res
要等于输入特征图的通道数，而对于音频任务，
nu
m
–
f
e
a
t
u
r
e
s
num \text{-} features
n
u
m
–
f
e
a
t
u
res
要等于
(b
s
,
F
,
T
)
(bs,F,T)
(
b
s
,
F
,
T
)
中的F -
也就是说，BN必然是作用于图像的特征图通道，或者音频中frame的每个特征的，
nu
m
–
f
e
a
t
u
r
e
s
num \text{-} features
n
u
m
–
f
e
a
t
u
res
是告诉BN，均值和标准差，这两个向量的长度 -
BN计算均值和标准差的操作，与上述ASP的第一步，计算h_mean和h_std是类似的，不过计算的范围是在一个batch中
μB
=
1
b
s
∗
T
∑
t
b
s
∗
T
h
t
σ
B
2
=
1
b
s
∗
T
∑
t
b
s
∗
T
(
h
t
−
μ
)
2
\begin{aligned} \mu_B &= \frac{1}{bs*T} \sum_{t}^{bs*T} h_t \\ \sigma_B^2 &= \frac{1}{bs*T} \sum_{t}^{bs*T} (h_t – \mu)^2 \end{aligned}
μ
B
σ
B
2
=
b
s
∗
T
1
t
∑
b
s
∗
T
h
t
=
b
s
∗
T
1
t
∑
b
s
∗
T
(
h
t
−
μ
)
2
-
得到一个batch的统计量后，BN的输出也就确定了，不过需要先将
μB
\mu_B
μ
B
和
σB
2
\sigma_B^2
σ
B
2
重复堆叠成
(b
s
,
F
,
T
)
(bs,F,T)
(
b
s
,
F
,
T
)
的大小，与输入BN的特征图H的维度相同，才能让其与H进行运算。在训练时，BN的输出
yt
r
a
i
n
i
n
g
=
γ
∗
H
−
μ
B
σ
B
2
+
ϵ
+
β
y_{training}=\gamma * \frac{H-\mu_B}{\sqrt{\sigma_B^2+\epsilon}} +\beta
y
t
r
ainin
g
=
γ
∗
σ
B
2
+
ϵ
H
−
μ
B
+
β
-
其中
-
ϵ\epsilon
ϵ
是用于稳定计算的，可取
10
−
5
10^{-5}
1
0
−
5
-
γ\gamma
γ
和
β\beta
β
是两个可学习参数，用于将输出进行伸缩和平移，提高模型的表达能力
-
-
此外，BN内部还有两个用于估计全局统计量的均值和标准差向量，在训练时，这两个向量根据每个batch的统计量进行更新，在测试时，BN会采用全局统计量对特征图进行规范化
μs
a
m
p
l
e
=
μ
B
σ
s
a
m
p
l
e
2
=
b
s
∗
T
b
s
∗
T
−
1
σ
B
2
μ
r
u
n
n
i
n
g
=
(
1
−
m
o
m
e
n
t
u
m
)
∗
μ
r
u
n
n
i
n
g
+
m
o
m
e
n
t
u
m
∗
μ
s
a
m
p
l
e
σ
r
u
n
n
i
n
g
2
=
(
1
−
m
o
m
e
n
t
u
m
)
∗
σ
r
u
n
n
i
n
g
2
+
m
o
m
e
n
t
u
m
∗
σ
s
a
m
p
l
e
2
y
e
v
a
l
u
a
t
i
n
g
=
γ
∗
H
−
μ
r
u
n
n
i
n
g
σ
r
u
n
n
i
n
g
2
+
ϵ
+
β
\begin{aligned} \mu_{sample}&=\mu_B \\ \sigma_{sample}^2&=\frac{bs*T}{bs*T-1} \sigma_B^2 \\ \mu_{running}&=(1-momentum)*\mu_{running}+momentum*\mu_{sample} \\ \sigma_{running}^2&=(1-momentum)*\sigma_{running}^2+momentum*\sigma_{sample}^2 \\ y_{evaluating}&=\gamma * \frac{H-\mu_{running}}{\sqrt{\sigma_{running}^2+\epsilon}} +\beta \end{aligned}
μ
s
am
pl
e
σ
s
am
pl
e
2
μ
r
u
nnin
g
σ
r
u
nnin
g
2
y
e
v
a
l
u
a
t
in
g
=
μ
B
=
b
s
∗
T
−
1
b
s
∗
T
σ
B
2
=
(
1
−
m
o
m
e
n
t
u
m
)
∗
μ
r
u
nnin
g
+
m
o
m
e
n
t
u
m
∗
μ
s
am
pl
e
=
(
1
−
m
o
m
e
n
t
u
m
)
∗
σ
r
u
nnin
g
2
+
m
o
m
e
n
t
u
m
∗
σ
s
am
pl
e
2
=
γ
∗
σ
r
u
nnin
g
2
+
ϵ
H
−
μ
r
u
nnin
g
+
β
-
其中
-
下标
ru
n
n
i
n
g
running
r
u
nnin
g
表示采用移动平均（running average）的方法对全局统计量进行估计 -
系数
mo
m
e
n
t
u
m
momentum
m
o
m
e
n
t
u
m
是对当前batch的统计量的权重，可取
0.10.1
0.1
-
下标
尾声
- 在ASP+BN之后，接FC+BN，得到嵌入码，长度是192，最后接损失函数即可
-
总结一下ECAPA-TDNN的改进
- 对ASP进行了改进
- 引进了SE-Res2Block
- 将多层特征聚合（原文中称为Multi-layer feature aggregation），再送入统计池化层
-
最后一点，也是有争议的一点改进，原文中称为Multi-layer feature summation，也就是在frame-level的变换中
- frame-layer2（第二个SE-Res2Block）的输入是frame-layer1（第一个SE-Res2Block）和frame-layer0（第一个CRB）的逐元素相加
- frame-layer3（第三个SE-Res2Block）的输入是frame-layer2、frame-layer1以及frame-layer0的逐元素相加
-
实验结果是下图中的C.3，可以看到，如果没有Multi-layer feature summation，EER升高了，但是minDCF降低了，由于VoxSRC是以minDCF作为最终性能指标的，所以Multi-layer feature summation没有在一些开源代码中被实现
