# Location privacy Results以及分析鋪路
---

執行面：
先找實驗室上enhance過的音檔 -> 再找metrics -> 再找假設和理論。

可以試著用現有的noise metrics來講述為什麼我們acoustic scene會比較好。
---

首先是fwSNRseg，這個量的是就是把**有聲音的部份權重調比較重**的SNR而已


可以發現在MSP-PODCAST, IEMOCAP，LibriSpeech_clean上面的fwSNRseg值都是正的，儘管在設計時實驗的時候調的SNR目標有0, -5, -10。唯有LibriSpeech_other的fwSNRseg忠實地有負值

WAD的效能在MSP-PODCAST, IEMOCAP都沒什麼影響，可是到了兩個librispeech的subset就比DEMUCS好了

PESQ是由聲音轉成人耳頻譜之後的 BarkSpectrumDifference(原始，預測)


看起來也是在librispeech上WAD會稍微好一點，然後在四個資料庫上這個趨勢沒都可以說是WAD>DEMUCS>No

STOI 是用correlation-based的方式計算degraded speech的distortion。


可能是因為degraded speech有經過normalize，而且只是算correlation 所以No, DEMUCS，WAD之間的差別才不會像另外幾個那麼大。

scale-invariant SDR（SI-SDR） 只是用乘/除一個scaling factor的方式避免算出來的SNR隨著這個scale而改變


# 總結以及下個策略

可以看出有以下困難點：

1. 每個noise metrics都是用各種「相似度」算法來算degraded speech 跟original speech間的不管是距離還是correlation，都很難直接看出跟acoustic scene或是speech task的關聯。不然就只能從每一項noise metrics設計上的小巧思來間接推斷跟acoustic scene會有什麼關係。

2. 可以看出每一張圖的趨勢各不同，目前這幾張圖跟acoustic scene圖的比較還沒看到趨勢比較像的

%% acoustic scene

%% ASR task

# **策略**： 或許可以速大量地製造分析圖，找到相似處，再回去找原因

### MSP-Podcast
### IEMOCAP
### LibriSpeech

Q: 哪些location容易被辨識？
A: Transportation最容易被辨識，再來是outdoor, 再來是indoor

Q: 哪些location