6Attentive Convolutional Neural Network based Speech Emotion Recognition: A Study on the Impact of

---

前言

原文地址——2017

---

一、文章内容

• 这个文章使用了注意力卷积网络）（ACNN）和多视图学习的方法，还研究了输入不通长度的音频信息（ how long does the system
  need to wait to make an accurate prediction?）和不同的语音特征的情况下的实验结果，此外：Moreover, we analyze extensively performance differences between improvisedand scripted speech（IEMOCAP数据集分为即兴的和排练的两种类型
  ）

• 文章使用的模型如下：

  • 使用音频数据的D维特征作为原始的数据（(a) 26 logMel filter-banks,(b) 13 MFCCs, © a prosody feature set, and (d) the extended Geneva minimalistic acoustic parameter set (eGeMAPS)），独立的进行归一化和标准化处理
  • 使用了长度和D相同的卷积内核进行卷积
  • 将获得的结果进行了最大池化后进行注意力提取（最大池化层有利于噪声的过滤）
  • 注意力公式如下
  • $$Attention(Q,K,V)=softma{x}_k(\frac{Q{K}^T}{\sqrt{d_k}})V$$
  • 将注意力提取后的特征输入到Softmax层
  • 再进一步进行分类，做了一个Multi-view学习
    

• 实验结果：
  
  

• 实验结论：

  • 实验结果认为韵律特征并不能很好的表达出感情状态来，使用频谱特征就可以
  • 文章实验结果认为：识别性能在很大程度上依赖于语音数据的类型，而不依赖于输入特征的选择
  • 实验发现即兴的数据和排练数据在感情表达的位置上是十分不同的

• 实验发现短时的音频信息也可以获取较好的识别效果

二、文章总结

• 文章使用了注意力CNN进行特征提取，而且使用了多视角学习的方式来提高训练的精度，做了大量实验在特征选取方面和音频长度选取方面，各种实验细节描述很详细，具体看文章。
• 文章主要在如下几个方面进行了尝试：
  • 初始特征的选择：谱特征，韵律特征
  • 数据的长度选择上：234567s的长度都试了一遍，越长效果越好
  • 数据类型的选择上：即兴演说的数据和排练的数据
  • 模型的选择：ACNN，卷积核是二维的大跨度的
  • 训练方式的选择：多视角训练
• 模型问题：
  • 模型方面没考虑使用RNN模型，让提取的特征融合更多的上下文信息
  • 内核过大，特征提取不是很细致。