计算机科学 > 声音
[提交于 2023年6月2日
]
标题: 学习局部到全局特征聚合用于语音情感识别
标题: Learning Local to Global Feature Aggregation for Speech Emotion Recognition
摘要: Transformer目前在语音情感识别(SER)中已经出现。 然而,其等分块不仅损害了频率信息,还忽略了跨帧的局部情感相关性,这些是表示情感的关键线索。 为了解决这个问题,我们提出了一个局部到全局特征聚合学习(LGFA)用于SER,可以在保留完整频率信息的同时,聚合不同尺度的帧内和段内的长期情感相关性,以增强话语级语音特征的情感区分能力。 为此,我们在段Transformer内部嵌套了一个帧Transformer。 首先,帧Transformer被设计用来挖掘帧之间的局部情感相关性以获得帧嵌入。 然后,将帧嵌入及其对应的段特征作为不同层次的补充输入到段Transformer中,以学习话语级的全局情感特征。 实验结果表明,LGFA的性能优于最先进方法。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.