使用speaker diarization结合视频的DER结果效果比单音频的还要差,请问这可以微调嘛?
Coconut059 opened this issue · comments
Coconut059 commented
在MISP2021数据集上使用speaker diarization,使用cam++模型,audio_only:MISS=23;FA=2.56;SER=9;DER=35;;audio_visual:MISS=23,FA=2.56;SER=15;DER=40;
在eval数据上DER差距更大分别是36%和48%,请问clustering部分可以微调嘛
Hui Wang commented
可以调,但是当前pipeline无法处理overlap的问题,而MISP有大量的overlap,如果想在MISP数据集上做出好的结果,建议follow历届MISP的report,使用多模态的TASVD方案
Coconut059 commented
可以调,但是当前pipeline无法处理overlap的问题,而MISP有大量的overlap,如果想在MISP数据集上做出好的结果,建议follow历届MISP的report,使用多模态的TASVD方案
谢谢!想问一下该代码效果比较好的数据集有哪些?同时如果可以调整audio和visual的联合聚类的话要怎么调呢
Hui Wang commented
我们后续会开源一个overlap较少的音视频数据集。调参可以试着调整下conf/diar_video.yaml中的vision_cluster.fix_cos_thr