关键词搜索 查找与其他（已知）关键字相关联的（可能未知）关键字。 该程序从用户定义的种子关键字开始，从Google搜索结果中找到相关的种子关键字。 来自相关的Google图片搜索的文字也会被考虑。 重复该过程，直到达到一个停止标准（即，用户停止程序或提取的关键字不再有太大变化）为止。 桂 用户可以通过gui与迭代搜索进行交互（也可以通过编程方式与程序进行交互）。 要打开gui，请从程序目录中打开一个终端，然后键入： python kwGui.py 要启动关键字搜索，请输入搜索词，然后按Enter或单击“搜索”按钮。 关键字将显示在gui的左侧，而相关图像显示在gui的右侧。 关键字类型： 顶部（绿色）：所有迭代中都包含原始（“永久”）关键字。 中（白色）：相关的关键字包含在搜索词中，但它们不是永久的，可以在后续迭代中降级。 底部（灰色）：其余关键字按其相关性排序。 可以通过

Convolutional Neural Networks for Small-footprint Keyword Spotting

关键字识别（KWS）是智能设备上终端和服务机器人的人机交互的主要组成部分，其目的是最大程度地提高检测精度，同时又要减小占用空间。 在本文中，基于DenseNet提取局部特征图的强大功能，我们为KWS提出了一种新的网络体系结构（DenseNet-BiLSTM）。 在我们的DenseNetBiLSTM中，DenseNet主要用于获取局部特征，而BiLSTM用于获取时间序列特征。 通常，DenseNet用于计算机视觉任务，它可能会破坏语音音频的上下文信息。 为了使DenseNet适合KWS，我们提出了一个变体DenseNet，称为DenseNet-Speech，它在过渡层的时间维度上删除了池以保留语音时间序列信息。 此外，我们的DenseNet-Speech使用密度较小的块和过滤器来使模型保持较小，从而减少了移动设备的时间消耗。 实验结果表明，DenseNet-Speech的特征图可以很好地维护时间序列信息。 就Google Speech Commands数据集的准确性而言，我们的方法优于最新方法。 对于具有223K可训练参数的20条命令识别任务，DenseNet-BiLSTM能够达到96.6％的精度。

END-TO-END STREAMING KEYWORD SPOTTING 端到端 关键词检测