論文の概要: EmoNet: A Lightweight Attention-Based CNN for Speech Emotion Recognition

• arxiv url: http://arxiv.org/abs/2610.33977v1
• Date: Sun, 25 Oct 2026 01:26:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.512615
• Title: EmoNet: A Lightweight Attention-Based CNN for Speech Emotion Recognition
• Title（参考訳）: EmoNet: 音声認識のための軽量注意に基づくCNN
• Abstract要約: 本研究では,7つの感情カテゴリにまたがる音声感情分類のための軽量ディープラーニングフレームワークであるEmoNetを提案する。 EmoNetは、わずか4.11百万のパラメータで96.75%のテスト精度を達成した。 提案手法は, 再現されたベースラインよりも優れており, 最先端アーキテクチャとの競争力は大きい。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech Emotion Recognition (SER) is a fundamental task in affective computing that enables applications such as mental health assessment, human-computer interaction, and automated customer support systems. Accurate emotion classification from speech remains challenging due to variations in speaker style, acoustic conditions, and the high computational cost of modern deep learning approaches. Many existing systems depend on large transformer-based architectures that require substantial computational resources, making them less suitable for real-time or resource-constrained environments. This research proposes EmoNet, a lightweight deep learning framework for speech emotion classification across seven emotion categories. The model is built on a four-block depthwise separable CNN encoder with squeeze-and-excitation attention and residual connections, combined with a Bidirectional LSTM for temporal feature learning and a multi-head attention pooling mechanism for improved representation. A comprehensive 134-channel acoustic feature set alongside data augmentation techniques including audio-level perturbations and SpecAugment is employed to improve robustness under diverse acoustic conditions. Evaluated on a combined dataset of TESS, RAVDESS, and SAVEE, EmoNet achieves a test accuracy of 96.75% with only 4.11 million parameters. The proposed model outperforms its reproduced baseline and remains competitive with significantly larger state-of-the-art architectures.
• Abstract（参考訳）: 音声感情認識(SER)は、メンタルヘルスアセスメント、人間とコンピュータのインタラクション、自動カスタマーサポートシステムなどの応用を可能にする、感情コンピューティングの基本的なタスクである。 音声からの正確な感情分類は、話者スタイルの変動、音響条件、そして現代のディープラーニングアプローチの計算コストが高いため、依然として困難である。 既存のシステムの多くは、かなりの計算資源を必要とする大規模なトランスフォーマーベースのアーキテクチャに依存しており、リアルタイムやリソース制約のある環境には適さない。 本研究では,7つの感情カテゴリにまたがる音声感情分類のための軽量ディープラーニングフレームワークであるEmoNetを提案する。 このモデルは、4ブロックの深度分離可能なCNNエンコーダ上に構築され、シャープ・アンド・エキセプション・アテンション・アテンションと残差接続を持ち、時間的特徴学習のための双方向LSTMと、表現改善のためのマルチヘッドアテンション・プーリング機構が組み合わされている。 各種音響条件下でのロバスト性向上のために, 包括的134チャンネル音響特性と, 音声レベルの摂動やSpecAugmentなどのデータ拡張手法を併用した。 TESS、RAVDESS、SAVEEの組み合わせデータセットに基づいて評価され、EmoNetは96.75%のテスト精度を4.11百万のパラメータで達成している。 提案手法は, 再現されたベースラインよりも優れており, 最先端アーキテクチャとの競争力は大きい。

関連論文リスト

• Explainable Lightweight Compact Deep Models for Speech Emotion Recognition [0.0]
  音声感情認識(SER)は、幅広い人間中心のアプリケーションにおいて重要な要素である。 本稿では,コンパクトな畳み込みニューラルネットワークアーキテクチャに基づく,説明可能な軽量な音声感情認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-18T12:50:33Z)
• SigWavNet: Learning Multiresolution Signal Wavelet Network for Speech Emotion Recognition [17.568724398229232]
  音声感情認識(SER)は、音声信号の解読から感情状態において重要な役割を果たす。 本稿では,SERのための新しいエンド・ツー・エンド(E2E)深層学習フレームワークを提案する。 ウェーブレットの能力を利用して、時間領域と周波数領域の両方で効果的なローカライズを行う。
  論文  参考訳（メタデータ） (2025-02-01T04:18:06Z)
• Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
  SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。 最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。 従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
  論文  参考訳（メタデータ） (2024-10-06T01:03:42Z)
• Probing the Information Encoded in Neural-based Acoustic Models of Automatic Speech Recognition Systems [7.207019635697126]
  本稿では,自動音声認識音響モデル(AM)における情報の位置と位置を決定することを目的とする。 話者検証,音響環境分類,性別分類,テンポ歪検出システム,音声感情・感情識別について実験を行った。 分析の結果、ニューラルベースAMは驚くほど音素認識と無関係に思える異種情報を持っていることがわかった。
  論文  参考訳（メタデータ） (2024-02-29T18:43:53Z)
• EmoDiarize: Speaker Diarization and Emotion Identification from Speech Signals using Convolutional Neural Networks [0.0]
  本研究では,音声認識における深層学習技術の統合について検討する。 既存の話者ダイアリゼーションパイプラインと、畳み込みニューラルネットワーク(CNN)上に構築された感情識別モデルを組み合わせたフレームワークを導入する。 提案モデルでは,63%の非重み付き精度が得られ,音声信号中の感情状態を正確に同定する上で,顕著な効率性を示した。
  論文  参考訳（メタデータ） (2023-10-19T16:02:53Z)
• 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)
• Efficient Speech Emotion Recognition Using Multi-Scale CNN and Attention [2.8017924048352576]
  本稿では,音声からの音響情報と語彙情報の両方を利用する,シンプルで効率的なニューラルネットワークアーキテクチャを提案する。 マルチスケール・コンボリューション・レイヤ(MSCNN)を用いて音声とテキストのハイドデン表現を得る手法を提案する。 大規模な実験により,提案手法はIEMOCAPdataset上で従来の最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-08T06:45:42Z)

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。