Crowdotic: 使用 Transformer 的非语音音频和差分隐私的医院候诊室占用估计

该系统是一个实时的说话人检测系统，利用麦克风阵列和360度摄像机的数据，通过虚拟电影摄影模块进行优化。该系统在计算预算耗尽时表现出优雅的降级，仍能正常运行。与传统的声源角估计方法不同，该系统利用检测到的头部位置学习查询可用的声学数据。该系统在一个现实的会议数据集上进行了训练和评估，包含达到14个与会者的同一会议、语音重叠和其他具有挑战性的场景。