EmoHRNet：基于语音情感识别的高分辨率神经网络
声音
2025-10-08 v1 机器学习
摘要
语音情感识别（SER）对于增强人机交互至关重要。本文引入一种 novel 的 HRNet 适应方案，称为 "EmoHRNet"，专为语音情感识别设计。HRNet 结构从初始层到最终层保持高分辨率表征。通过将音频样本转换为语谱图，EmoHRNet 利用 HRNet 架构提取高级特征。EmoHRNet 独特的架构在整个过程中保持高分辨率表征，捕获语音信号中既粗粒度又宏观的情感线索。该模型在 RAVDESS、IEMOCAP 和 EMOVO 数据集上分别取得了 92.45%、80.06% 和 92.77% 的准确率，显著优于领先模型。因此，我们表明 EmoHRNet 在 SER 领域树立了新的基准。
引用
@article{arxiv.2510.06072,
title = {EmoHRNet: High-Resolution Neural Network Based Speech Emotion Recognition},
author = {Akshay Muppidi and Martin Radfar},
journal= {arXiv preprint arXiv:2510.06072},
year = {2025}
}