8Attention Based Fully Convolutional Network for Speech Emotion Recognition

---

前言

原文地址—2018

一、文章内容

• 文章想法:

  • 采用全连接卷积网络进行特征提取以适应可变长度的音频数据
  • 采用迁移学习的方法提高模型精度——VGG,RESNENT复杂网络需要更多的的数据支持才能获得高的精度
  • 使用了一个2D注意力机制，不仅注意时间序列，而且注意频率方向的特征

• 输入数据：

  • 任意尺寸的频谱数据

• 文章模型：

  • 整体的模型流程：
    

• 具体模型细节：
  

• 训练方式：

  • 五次交叉验证
  • 只是用了排练的脚本
  • 迁移学习
  • 使用加权精度和不加权的精度来做评价指标：
  • Weighted accuracy - the overall accuracy across all utterances of the testing set.
  • Unweighted accuracy - the average of accuracies across all the classes.

• 模型输出：

  • 分类问题

• 实验结果：

  • 
  • 

• 文章结论：

  • 模型不错

二、文章总结

• 文章novel和优势：FCN处理任意长度的频谱，注意力层同时关注了时域和频域的信号

• 同其他文章比较的劣势：虽然使用注意力层关注了两个维度上的特征，但是没有考虑上下文特征的影响，时序数据肯定要考虑上下环境的影响的。

三、相关代码

• 文章代码