The availability of multiple utterances (and hence, i-vectors) for speaker enrollment brings up several alternatives for their utilization with probabilistic linear discriminant analysis (PLDA). This paper provides an overview of their effective utilization, from a practical viewpoint. We derive expressions for the evaluation of the likelihood ratio for the multi-enrollment case, with details on the computation of the required matrix inversions and determinants. The performance of five different scoring methods, and the effect of i-vector length normalization is compared experimentally. We conclude that length normalization is a useful technique for all but one of the scoring methods considered, and averaging i-vectors is the most effective out of the methods compared. We also study the application of multicondition training on the PLDA model. Our experiments indicate that multicondition training is more effective in estimating PLDA hyperparameters than it is for likelihood computation. Finally, we look at the effect of the configuration of the enrollment data on PLDA scoring, studying the properties of conditional dependence and number-of-enrollment-utterances per target speaker. Our experiments indicate that these properties affect the performance of the PLDA model. These results further support the conclusion that i-vector averaging is a simple and effective way to process multiple enrollment utterances.

No abstract

No abstract

1 Национальный исследовательский Томский государственный университет, Томск, Россия АннотацияРассмотрены наиболее используемые на практике методы автоматизированной иденти-фикации изменений ландшафтного покрова по данным дистанционного зондирования Зем-ли. На их основе предложены подходы к формированию гибридных методов. Приведены результаты экспериментальных исследований методов в условиях шумов различного типа и интенсивности. По результатам экспериментов определены гибридные методы, позволяю-щие получать результаты лучшего качества по сравнению с известными методами при ав-томатизированном решении задачи идентификации изменений.Ключевые слова: идентификация изменений ландшафта, динамика ландшафта, гибрид-ные методы идентификации, обработка цифровых изображений, анализ изображений, ди-станционное зондирование Земли и сенсоры, обнаружение. ВведениеМетоды идентификации изменений ландшафта направлены на обнаружение и измерение произо-шедших изменений тех или иных характеристик в ис-следуемой области по разновременным данным аэро-космической съемки. Эти методы находят примене-ние в различных задачах аэрокосмического монито-ринга, требующих с высокой достоверностью зафик-сировать произошедшие изменения ландшафта (например, факт обезлесения, урбанизации, послед-ствий землетрясения или наводнения и т.п.) [1]. По-стоянно ведётся поиск новых средств и методов идентификации изменений, а также способов совер-шенствования существующих, которые позволяют получать результат максимально точно и оперативно [2][3][4][5][6]. Существующее разнообразие методов иденти-фикации изменений и одновременно с этим отсут-ствие общепринятых средств их выбора в каждом конкретном случае приводит к тому, что задача прак-тического применения подходящих в каждом кон-кретном случае методов часто решается эмпирически, без достаточных обоснований [2][3][4][5] 7]. Кроме этого, такое положение вещей значительно затрудняет ис-пользование методов идентификации изменений в ав-томатизированных системах мониторинга.Несмотря на большое внимание исследователей к задачам идентификации изменений [2, 8, 9], до сих пор существует потенциал совершенствования этих методов и увеличения их адекватности. Так, напри-мер, одним из подходов, увеличивающих адекват-ность таких методов и упрощающих поиск подходя-щего в каждом конкретном случае метода идентифи-кации, является комбинированное использование не-скольких методов. Такие комбинированные методы идентификации называют гибридными [3, 4]. При этом выделяют два основных вида комбинирования -на уровне результатов и на уровне процедуры. Ком-бинирование на уровне результатов предполагает слияние результатов выполнения различных методов, а на уровне процедуры -использование результатов одного метода как входных данных для другого [10].Несмотря на активные попытки проведения ис-следований в области поиска оптимальных гибрид-ных методов идентификации изменений, известные результаты до сих пор имеют потенциал совершен-ствования. Так, в работах [11-14] результаты приме-нения различных методов идентификации изменений ландша...