論文の概要: Multi-Loss Learning for Speech Emotion Recognition with Energy-Adaptive Mixup and Frame-Level Attention

• arxiv url: http://arxiv.org/abs/2512.04551v1
• Date: Thu, 04 Dec 2025 08:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.0591
• Title: Multi-Loss Learning for Speech Emotion Recognition with Energy-Adaptive Mixup and Frame-Level Attention
• Title（参考訳）: エネルギー適応混合とフレームレベル注意による音声感情認識のためのマルチロス学習
• Authors: Cong Wang, Yizhong Geng, Yuhua Wen, Qifei Li, Yingming Gao, Ruimin Wang, Chunfeng Wang, Hao Li, Ya Li, Wei Chen,
• Abstract要約: 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技術である。 本稿では、EAM(Energy-Adaptive Mixup)法とFLAM(Flight-level attention module)法を統合したマルチロス学習フレームワークを提案する。 提案手法は,IEMOCAP, MSP-IMPROV, RAVDESS, SAVEEの4種類のSERデータセットを用いて評価を行った。
• 参考スコア（独自算出の注目度）: 27.15999842662482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech emotion recognition (SER) is an important technology in human-computer interaction. However, achieving high performance is challenging due to emotional complexity and scarce annotated data. To tackle these challenges, we propose a multi-loss learning (MLL) framework integrating an energy-adaptive mixup (EAM) method and a frame-level attention module (FLAM). The EAM method leverages SNR-based augmentation to generate diverse speech samples capturing subtle emotional variations. FLAM enhances frame-level feature extraction for multi-frame emotional cues. Our MLL strategy combines Kullback-Leibler divergence, focal, center, and supervised contrastive loss to optimize learning, address class imbalance, and improve feature separability. We evaluate our method on four widely used SER datasets: IEMOCAP, MSP-IMPROV, RAVDESS, and SAVEE. The results demonstrate our method achieves state-of-the-art performance, suggesting its effectiveness and robustness.
• Abstract（参考訳）: 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技術である。 しかし、感情的な複雑さと注釈付きデータが少ないため、高いパフォーマンスを達成することは難しい。 これらの課題に対処するために,エネルギ適応ミキサアップ(EAM)法とフレームレベルのアテンションモジュール(FLAM)を併用したマルチロス学習(MLL)フレームワークを提案する。 EAM法は、SNRに基づく拡張を利用して、微妙な感情的変動を捉えた多様な音声サンプルを生成する。 FLAMは、多フレーム感情的手がかりのためのフレームレベルの特徴抽出を強化する。 我々のMLL戦略は、Kulback-Leibler分散、焦点、中心、教師付きコントラスト損失を組み合わせ、学習を最適化し、クラス不均衡に対処し、特徴分離性を向上させる。 提案手法は,IEMOCAP, MSP-IMPROV, RAVDESS, SAVEEの4種類のSERデータセットを用いて評価を行った。 その結果,本手法は最先端の性能を実証し,その有効性とロバスト性を示唆した。

関連論文リスト

• Joint Learning using Mixture-of-Expert-Based Representation for Enhanced Speech Generation and Robust Emotion Recognition [54.44798086835314]
  音声感情認識(SER)は感情認識音声システム構築において重要な役割を担っているが,その性能は雑音下で著しく低下する。 本稿では, フレームワイド・エキスパート・ルーティングを自己教師付き音声表現に応用した, フレキシブルMTLフレームワークSparse Mixture-of-Experts Representation Integration Technique (Sparse MERIT)を提案する。 MSP-Podcastコーパスの実験では、Sparse MERITはSERとSEの両方のタスクのベースラインモデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-10T10:18:56Z)
• PUMA: Layer-Pruned Language Model for Efficient Unified Multimodal Retrieval with Modality-Adaptive Learning [54.73049408950049]
  モーダリティ適応型学習を伴う効率的な統一マルチモーダル検索のための階層型言語モデルを提案する。 本手法は,構造的,学習的両面からの統合的マルチモーダル検索を改善する。
  論文  参考訳（メタデータ） (2025-07-10T16:47:25Z)
• Toward Efficient Speech Emotion Recognition via Spectral Learning and Attention [0.5371337604556311]
  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。
  論文  参考訳（メタデータ） (2025-07-04T01:55:49Z)
• A Novel Approach to for Multimodal Emotion Recognition : Multimodal semantic information fusion [3.1409950035735914]
  本稿では,コントラスト学習と視覚的シーケンス圧縮を統合した新しいマルチモーダル感情認識手法であるDeepMSI-MERを提案する。 2つの公開データセット(IEMOCAPとMELD)の実験結果から、DeepMSI-MERは感情認識の精度と堅牢性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-02-12T17:07:43Z)
• Milmer: a Framework for Multiple Instance Learning based Multimodal Emotion Recognition [16.616341358877243]
  本研究は,表情解析と脳波信号の統合による感情認識の課題に対処する。 提案するフレームワークは、視覚的および生理的モダリティを効果的に統合するために、トランスフォーマーベースの融合アプローチを採用している。 この研究の重要な革新は、複数の表情画像から意味のある情報を抽出する多重インスタンス学習(MIL)アプローチの採用である。
  論文  参考訳（メタデータ） (2025-02-01T20:32:57Z)
• 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)
• A Low-rank Matching Attention based Cross-modal Feature Fusion Method for Conversational Emotion Recognition [54.44337276044968]
  低ランクマッチング注意法(LMAM)と呼ばれる新しい軽量クロスモーダル機能融合法を提案する。 LMAMは、会話における文脈的感情的意味情報を効果的に捉え、自己認識機構によって引き起こされる二次的複雑性問題を緩和する。 実験により, LMAMの軽量化を前提として, 他の一般的な相互拡散法と比較し, LMAMの優位性を検証した。
  論文  参考訳（メタデータ） (2023-06-16T16:02:44Z)
• 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)

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。