用于语音情感识别的深度残差局部特征学习
声音
2020-11-20 v1 计算与语言
音频与语音处理
摘要
语音情感识别（SER）在当今全球商业中正成为提升服务效率的关键角色，如呼叫中心服务。近期的 SER 基于深度学习方法。然而，深度学习的效率取决于层数，即层越深效率越高。另一方面，更深的层会导致梯度消失问题、低学习率和高耗时。因此，本文提出对现有局部特征学习块（LFLB）的重新设计。新设计称为深度残差局部特征学习块（DeepResLFLB）。DeepResLFLB 由三个级联块组成：LFLB、残差局部特征学习块（ResLFLB）和多层感知机（MLP）。LFLB 用于沿提取层次相关性学习局部相关性；DeepResLFLB 可利用残差学习在更深层中通过重复学习解释更多细节，以解决梯度消失和减少过拟合；MLP 用于发现学习关系并预测语音情感和性别类型的概率。基于两个已发布的公开数据集：EMODB 和 RAVDESS，所提出的 DeepResLFLB 在标准指标（准确率、精确率、召回率和 F1 分数）评估下可显著提升性能。
引用
@article{arxiv.2011.09767,
title = {Deep Residual Local Feature Learning for Speech Emotion Recognition},
author = {Sattaya Singkul and Thakorn Chatchaisathaporn and Boontawee Suntisrivaraporn and Kuntpong Woraratpanya},
journal= {arXiv preprint arXiv:2011.09767},
year = {2020}
}
备注
12 pages, 5 figures, submitted for review