Speakers Localization Using Batch EM In Unfolding Neural Network

Titolo: Rete Neurale Unfolded Expectation-Maximization per la Localizzazione del Parlante

1. Il Problema

La localizzazione della sorgente sonora (SSL) è un compito fondamentale in applicazioni audio moderne, dai robot autonomi all'elettronica di consumo. Tuttavia, stimare la Direzione di Arrivo (DOA) in ambienti reali è estremamente difficile a causa della riverberazione e del rumore.

• Limiti dei metodi tradizionali: Algoritmi classici come SRP-PHAT, MUSIC e la Massima Verosimiglianza (MLE) faticano in condizioni acustiche avverse, specialmente con sorgenti multiple.
• Limiti delle reti neurali (DNN): Sebbene le DNN basate sui dati offrano robustezza, mancano di interpretabilità.
• Obiettivo: Colmare il divario tra l'interpretabilità degli algoritmi iterativi classici e la robustezza delle reti neurali, creando un modello efficiente che richieda meno dati di addestramento.

2. Metodologia Proposta

Gli autori propongono una Rete Neurale Unfolded (Srotolata) basata sull'algoritmo Expectation-Maximization (EM). L'approccio combina la formulazione probabilistica classica con l'apprendimento profondo.

• Formulazione del Problema:

  • Si utilizza un array di coppie di microfoni in un ambiente riverberante.
  • L'analisi avviene nel dominio della Trasformata di Fourier a Breve Termine (STFT) sotto l'ipotesi di Ortogonalità Disgiunta nel Tempo-Frequenza (WDO).
  • Come caratteristica di localizzazione non si usano i segnali grezzi, ma i Rapporti di Fase Relativi tra Coppie (PRP), che sono robusti alle attenuazioni di ampiezza.
  • Il modello probabilistico è un GMM Complesso (CGMM), dove ogni componente Gaussiana rappresenta la posizione di un parlante.

• L'Algoritmo EM Classico:

  • L'EM iterativo stima i parametri (probabilità a priori, varianza e medie delle Gaussiane) massimizzando la verosimiglianza.
  • E-step: Calcola la probabilità che un bin tempo-frequenza appartenga a una specifica sorgente.
  • M-step: Aggiorna i parametri del modello (pesi, varianze e medie).
  • Gestione degli Outlier: Per migliorare la robustezza, il numero di cluster CGMM è impostato a $S+1$ (numero di parlanti + 1). Il cluster extra assorbe i bin che non corrispondono a nessun parlante attivo (rumore/riverbero), venendo rimosso dopo la convergenza.

• Architettura della Rete Unfolded:

  • L'idea chiave è "srotolare" le iterazioni dell'algoritmo EM all'interno di una rete neurale differenziabile.
  • Struttura: Encoder (Fully Connected) $\rightarrow$ Strati EM Unfolded $\rightarrow$ Decoder (Fully Connected).
  • Funzionamento:
    1. L'Encoder mappa una posizione candidata nella stanza in un vettore PRP iniziale per inizializzare le medie del CGMM.
    2. Gli Strati EM Unfolded (70 strati nel lavoro sperimentale) affinano iterativamente questa stima, apprendendo a correggere le distorsioni causate dalla riverberazione che l'EM classico non gestisce bene.
    3. Il Decoder mappa il vettore PRP finale nelle coordinate spaziali dei parlanti.
  • Funzione di Perdita (Loss): Una combinazione di errore di posizione (MSE) e distanza coseno tra i vettori PRP stimati e quelli teorici veri, con un peso $\lambda = 0.25$.

3. Contributi Chiave

1. Interpretabilità e Robustezza: Il modello mantiene la struttura logica dell'algoritmo EM (trasparente) ma ne potenzia la capacità di generalizzazione attraverso l'apprendimento dei parametri della rete.
2. Mitigazione della Sensibilità all'Inizializzazione: A differenza dell'EM classico, che può convergere in ottimi locali o fallire con una cattiva inizializzazione, la rete srotolata impara una mappatura iniziale ottimale e corregge gli errori durante l'iterazione.
3. Gestione degli Outlier: L'introduzione di un cluster aggiuntivo nel CGMM per assorbire i dati non corrispondenti a sorgenti attive previene la corruzione delle stime di posizione.
4. Efficienza: Il modello richiede meno dati di addestramento rispetto alle DNN puramente data-driven grazie all'incorporazione della conoscenza fisica del problema (modello EM).

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un dataset sintetico derivato dal corpus WSJ, simulando due parlanti statici in stanze rettangolari con diverse condizioni di riverbero ($T_{60} = 0.2s$), sovrapposizione temporale (25-75%) e rapporti segnale-interferenza (SIR 0-5 dB).

• Confronto: La rete proposta è stata confrontata con l'algoritmo Batch-EM classico con ricerca esaustiva su griglia spaziale.
• Prestazioni in Ambiente Anecoico ($T_{60}=0$): Il metodo Batch-EM classico performa leggermente meglio (RMSE 0.25m vs 0.31m) poiché la procedura deterministica "Scan-to-Locate" fornisce una soluzione quasi esatta senza riverbero. La rete introduce piccoli errori di approssimazione dovuti alle mappature FC.
• Prestazioni in Ambiente Riverberante ($T_{60}=0.2s$):
  • La rete Unfolded EM supera significativamente il baseline.
  • Riduzione RMSE: Circa il 39% in meno rispetto al Batch-EM (0.37m contro 0.66m).
  • Robustezza: La percentuale di campioni con errore di localizzazione superiore a 0.5m scende drasticamente dal 56% (Batch-EM) al 22% (Rete Unfolded).
• Analisi: Il miglioramento è attribuito alla capacità della rete di apprendere una mappatura che compensa le distorsioni indotte dalla riverberazione nelle caratteristiche PRP, cosa che l'algoritmo EM puro non riesce a fare.

5. Significato e Conclusioni

Il paper dimostra che l'approccio "Unfolding" (srotolamento) è una strategia efficace per la localizzazione delle sorgenti sonore. Integrando un algoritmo iterativo classico all'interno di una rete neurale, si ottiene un sistema che:

• È interpretabile (basato su principi fisici e statistici noti).
• È robusto in condizioni acustiche difficili (riverbero), superando di gran lunga i metodi tradizionali.
• Offre un compromesso ottimale tra la purezza dei dati (DNN) e la conoscenza del dominio (algoritmi classici), rendendolo promettente per applicazioni reali dove la qualità audio è compromessa.