論文の概要: Toward Efficient Speech Emotion Recognition via Spectral Learning and Attention

• arxiv url: http://arxiv.org/abs/2507.03251v2
• Date: Thu, 10 Jul 2025 02:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 12:24:00.052552
• Title: Toward Efficient Speech Emotion Recognition via Spectral Learning and Attention
• Title（参考訳）: スペクトル学習と注意による効率的な音声感情認識に向けて
• Authors: HyeYoung Lee, Muhammad Nadeem,
• Abstract要約: 音声感情認識(SER)は、伝統的に感情分類のための聴覚データ分析に依存している。 我々は,Mel-Frequency Cepstral Coefficients (MFCCs) をスペクトル特性として用いて,計算的感情処理と人間の聴覚知覚のギャップを埋める。 データ拡張技術を統合する新しい1D-CNNベースのSERフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5371337604556311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech Emotion Recognition (SER) traditionally relies on auditory data analysis for emotion classification. Several studies have adopted different methods for SER. However, existing SER methods often struggle to capture subtle emotional variations and generalize across diverse datasets. In this article, we use Mel-Frequency Cepstral Coefficients (MFCCs) as spectral features to bridge the gap between computational emotion processing and human auditory perception. To further improve robustness and feature diversity, we propose a novel 1D-CNN-based SER framework that integrates data augmentation techniques. MFCC features extracted from the augmented data are processed using a 1D Convolutional Neural Network (CNN) architecture enhanced with channel and spatial attention mechanisms. These attention modules allow the model to highlight key emotional patterns, enhancing its ability to capture subtle variations in speech signals. The proposed method delivers cutting-edge performance, achieving the accuracy of 97.49% for SAVEE, 99.23% for RAVDESS, 89.31% for CREMA-D, 99.82% for TESS, 99.53% for EMO-DB, and 96.39% for EMOVO. Experimental results show new benchmarks in SER, demonstrating the effectiveness of our approach in recognizing emotional expressions with high precision. Our evaluation demonstrates that the integration of advanced Deep Learning (DL) methods substantially enhances generalization across diverse datasets, underscoring their potential to advance SER for real-world deployment in assistive technologies and human-computer interaction.
• Abstract（参考訳）: 音声感情認識(SER)は、伝統的に感情分類のための聴覚データ分析に依存している。 いくつかの研究でSERの異なる方法が採用されている。 しかし、既存のSER手法は、微妙な感情の変化を捉え、多様なデータセットをまたいだ一般化に苦慮することが多い。 本稿では,Mel-Frequency Cepstral Coefficients (MFCC) をスペクトル特性として用いて,計算的感情処理と人間の聴覚知覚のギャップを埋める。 堅牢性と特徴の多様性をさらに向上するために,データ拡張技術を統合する新しい1D-CNNベースのSERフレームワークを提案する。 拡張データから抽出されたMFCC機能は、チャネルおよび空間的注意機構を強化した1次元畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて処理される。 これらのアテンションモジュールは、モデルが重要な感情パターンをハイライトし、音声信号の微妙な変化を捉える能力を高める。 SAVEEは97.49%、RAVDESSは99.23%、CREMA-Dは89.31%、TESSは99.82%、EMO-DBは99.53%、EMOVOは96.39%である。 実験の結果,SERの新たな評価基準が示され,高い精度で感情表現を認識する上でのアプローチの有効性が示された。 評価の結果,高度深層学習(DL)手法の統合は,多種多様なデータセット間の一般化を著しく促進し,支援技術や人間とコンピュータのインタラクションにおける実世界展開に向けてSERを前進させる可能性を示している。

関連論文リスト

• Enhancing Speech Emotion Recognition with Graph-Based Multimodal Fusion and Prosodic Features for the Speech Emotion Recognition in Naturalistic Conditions Challenge at Interspeech 2025 [64.59170359368699]
  自然条件課題におけるInterSPEECH 2025音声感情認識のための頑健なシステムを提案する。 提案手法は,最先端の音声モデルと韻律的・スペクトル的手法によって強化されたテキスト特徴を組み合わせる。
  論文  参考訳（メタデータ） (2025-06-02T13:46:02Z)
• Leveraging Cross-Attention Transformer and Multi-Feature Fusion for Cross-Linguistic Speech Emotion Recognition [60.58049741496505]
  音声感情認識(SER)は、人間とコンピュータの相互作用を強化する上で重要な役割を担っている。 本稿では,HuBERT,MFCC,および韻律特性を組み合わせたHuMP-CATを提案する。 HMP-CATは、ターゲットデータセットから少量の音声でソースモデルを微調整することにより、平均78.75%の精度が得られることを示す。
  論文  参考訳（メタデータ） (2025-01-06T14:31:25Z)
• Searching for Effective Preprocessing Method and CNN-based Architecture with Efficient Channel Attention on Speech Emotion Recognition [0.0]
  音声感情認識(SER)は、人間の感情をコンピュータモデルで分類する。 本稿では,効率的なチャネルアテンション(ECA)を用いた6層畳み込みニューラルネットワーク(CNN)モデルを提案する。 対話型感情的動的モーションキャプチャー(IEMOCAP)データセットでは、前処理による感情音声の周波数分解能が向上し、感情認識性能が向上する。
  論文  参考訳（メタデータ） (2024-09-06T03:17:25Z)
• Deep Imbalanced Learning for Multimodal Emotion Recognition in Conversations [15.705757672984662]
  会話におけるマルチモーダル感情認識(MERC)は、マシンインテリジェンスにとって重要な開発方向である。 MERCのデータの多くは自然に感情カテゴリーの不均衡な分布を示しており、研究者は感情認識に対する不均衡なデータの負の影響を無視している。 生データにおける感情カテゴリーの不均衡分布に対処するクラス境界拡張表現学習(CBERL)モデルを提案する。 我々は,IEMOCAPおよびMELDベンチマークデータセットの広範な実験を行い,CBERLが感情認識の有効性において一定の性能向上を達成したことを示す。
  論文  参考訳（メタデータ） (2023-12-11T12:35:17Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• FAF: A novel multimodal emotion recognition approach integrating face, body and text [13.485538135494153]
  我々は、感情認識作業を容易にするために、大規模マルチモーダル感情データセット「HED」を構築した。 認識の精度を高めるため,重要な感情情報の探索に「特徴アフター・フィーチャー」フレームワークが用いられた。 我々は、"HED"データセットの評価に様々なベンチマークを使用し、その性能を本手法と比較した。
  論文  参考訳（メタデータ） (2022-11-20T14:43:36Z)
• A Comparative Study of Data Augmentation Techniques for Deep Learning Based Emotion Recognition [11.928873764689458]
  感情認識のための一般的なディープラーニングアプローチを包括的に評価する。 音声信号の長距離依存性が感情認識に重要であることを示す。 スピード/レート向上は、モデル間で最も堅牢なパフォーマンス向上を提供する。
  論文  参考訳（メタデータ） (2022-11-09T17:27:03Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Speech Emotion Recognition with Multiscale Area Attention and Data Augmentation [21.163871587810615]
  深部畳み込みニューラルネットワークにおいて,様々な粒度の感情特性に対応するために,マルチスケールのエリアアテンションを適用した。 データ疎度に対処するため,声道長の摂動を伴うデータ拡張を行う。 Interactive Emotional Dyadic Motion Captureデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-02-03T00:39:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。