使用 Siamese 网络进行跨语音情感识别的迁移学习,通过 fine-tuning 和优化 distance loss 可以提高识别准确性。
Jun, 2020
提出一种新颖的领域适应技术,采用 SER 作为主任务、对比学习和信息最大化损失作为辅助任务的多任务框架,借助在大型语言模型上进行微调的 transformer 实现跨语料库情感识别的最新性能。
Oct, 2023
通过深度学习模型,本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务,取得了 57.71 的宏 F1 得分,相较于相关研究有了显著的提升。
Apr, 2024
本文介绍了使用具有多视角学习目标函数的关注卷积神经网络进行语音情感识别的实验研究,对比了不同输入信号长度、不同类型的声学特征和不同类型的情感语音 (即兴 / 编剧) 对系统表现的影响,结果显示,除了输入特征选择外,模型的性能强烈依赖于语音数据类型,进一步实现了 IEMOCAP 上即兴语音数据的最优结果。
Jun, 2017
本文提出了一种基于对抗训练网络来消除发言人特征并更好地表示情感的机器学习框架,在 IEMOCAP 和 CMU-MOSEI 数据集上实验表明该框架能够提高语音情感分类的准确性并增加对未知发言人的泛化能力。
Nov, 2019
通过引入 DSNet,一个具有中立校准的解缠结孪生网络,以满足更强大和可解释的语音情感识别模型的需求,并在两个流行的基准数据集上的实验结果证明其优越性。
Dec, 2023
本文提出了一种基于监督原型对比学习和课程学习的方法,旨在解决情感识别中遇到的不平衡分类问题,其不需要大的批量比对。对应用该方法进行的三项基准测试的结果表明其取得了最佳效果,并且分析实验进一步证明了其有效性。
Oct, 2022
本文提出了一种基于无监督特征学习且包括对比损失的多模式情感识别方法,该方法可以减少资料标注费用、提高精确度并且无需大批量样本。相关实验数据表明,本方法比许多基线方法和无监督学习方法在多模式情感识别上表现更好,甚至超越了当前某些有监督方法的表现。
Jul, 2022
该论文提出了一种卷积神经网络,基于多任务学习和基于语音特征的监督学习策略,旨在识别说话中的情感,结果最适合于语音情感识别的高度识别特征。
Jun, 2019
我们提出了一种基于梯度对抗学习框架的方法,该方法可以从特征表示中规范化发言者特征,从而学习语音情感识别任务,在演讲者无关和有关的设置下,我们在具有挑战性的 IEMOCAP 数据集上获得了新的最优结果。
Feb, 2022