【语音识别】论文学习笔记：利用分布平滑策略的鲁棒性半监督生成式对抗网络进行语音情感识别

最新推荐文章于 2024-11-25 21:51:44 发布
最新推荐文章于 2024-11-25 21:51:44 发布
阅读量717 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 语音识别与实战 PaperReading 文章标签： 语音识别 半监督生成式对抗网络 GAN SSGAN 情感识别
原文链接：https://ieeexplore.ieee.org/document/9110873
本文提出了一种利用分布平滑策略的鲁棒性半监督生成式对抗网络（SSGAN），用于在有限的带标签数据下进行语音情感识别。通过对抗训练和虚拟对抗训练，SSGAN和VSSSGAN分别在有标签和无标签数据上平滑输出分布，提高了模型的鲁棒性和泛化能力。实验结果表明，这些方法在多种数据集上表现优越，尤其在数据不匹配和半匹配的条件下，模型的识别性能得到提升。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Robust Semi-supervised Generative Adversarial Networks for Speech Emotion Recognition via Distribution Smoothness

Robust Semi-supervised Generative Adversarial Networks for Speech Emotion Recognition via Distribution Smoothness

利用分布平滑策略的鲁棒性半监督生成式对抗网络进行语音情感识别
原文地址：https://ieeexplore.ieee.org/document/9110873
Huan Zhao; Yufeng Xiao; Zixing Zhang

Abstract

随着深度学习技术的发展，语音情感识别技术在语音情感识别方面取得了巨大的成就，但语音情

了解本专栏 订阅专栏 解锁全文 超级会员免费看
大语言模型原理与应用实践：基于监督学习进行微调 Supervised Learning & Fine-Tuning
AI天才研究院
06-25 1737
近年来，随着深度学习技术的快速发展，大规模语言模型(Large Language Models, LLMs)在自然语言处理(Natural Language Processing, NLP)领域取得了巨大的突破。这些大语言模型通过在海量无标签文本数据上进行预训练，学习到了丰富的语言知识和常识，可以通过少量的有标签样本在下游任务上进行微调(Fine-Tuning)，获得优异的性能。其中最具代表性的大模型包括OpenAI的GPT系列模型、Google的BERT、T5等。
如何提升情感分析系统的鲁棒性——微软新型语言理解工具包
AI天才研究院
08-21 129
作者：禅与计算机程序设计艺术 1.简介 情感分析系统作为一个在线对话机器人的必备功能之一，但目前市面上关于情感分析系统鲁棒性的研究还处于起步阶段。而随着越来越多的自然语言处理技术的落地，基于深度学习的通用模型或框架的出现，使得一些基础设施也逐渐得到了更新、完善。微软为了进一步促进NLP技术的发展，推出了
半监督生成对抗网络综述
07-13
描述了近几年半监督GAN的研究现状以及经典的算法所适用的场景。希望能够帮助大家。
2018 Interspeech On Enhancing Speech Emotion Recognition using Generative Adversarial Networks
王大胖的博客
02-11 315
两个GAN网络（不介绍了） 两种GAN网络生成，一种粗糙的，一种条件gan。粗糙的不能合成1582维度的，不收敛。条件gan借助了label信息，可以生成1582维的。 实验 生成的数据怎么帮助最后的SER准确率 three sets of evaluations: (i) in-domain eval- uation合成的样本做训练数据 with and without real data (i...
基于黑盒语音识别系统的目标对抗样本
优快云人工智能头条
05-26 3952

 
 
 
 
 
 
 编译 | 姗姗出品 | 人工智能头条（公众号ID：AI_Thinker）【人工智能头条按】谷歌大脑最...
【论文笔记】Nonparallel Emotional Speech Conversion Using VAE-GAN 基于VAE-GAN的非平行情感语音生成
cherreggy的博客
11-15 2668
Nonparallel Emotional Speech Conversion Using VAE-GAN from INTERSPEECH 2020 - Ping An Technology 关键字：语音生成、语音情感、生成对抗网络、自编码器 摘要 概括： 采用GAN模型生成情感语音 主要内容： 本文采用的是AVE-GAN框架，采用encoder提取内容相关表示，采用监督的方式提取情感相关信息，利用CycleGAN来进行语音情感域间的转换。最后将内容表示和请按表示结合生成目标情感语音。 简介 介绍.
论文笔记：预训练大模型综述（NLP相关部分）
sfgsdfg2516的博客
08-04 1473
预训练基础模型(PFMS)是具有不同数据模式的各种下游任务的基础。PFM(例如BERT、ChatGPT和GPT-4)在大规模数据上进行训练，为广泛的下游应用提供合理的参数初始化。BERT与GPT与传统方法相比具有各自的特点，具体而言：BERT从Transformer中学习双向编码器表示，GPT使用Transformer作为特征提取器，并在大型数据集上训练最近，ChatGPT表现出来卓越的性能，PFM也为人工智能领域带来重大突破许多研究提出了不同的方法、数据集和评估指标，提高了对更新调查的需求。
[论文阅读-综述]Supervised Speech Separation Based on Deep Learning: An Overview
最新发布
山可行,海可平
11-25 1219
论文《Supervised Speech Separation Based on Deep Learning: An Overview》的翻译与学习记录，文章主要讨论了基于深度学习的监督语音分离技术，概述了这一领域的2018进展。
万字综述之生成对抗网络（GAN）
Paper weekly
03-19 3751
作者丨郭晓锋单位丨爱奇艺研究方向丨图像生成前阵子学习 GAN 的过程发现现在的 GAN 综述文章大都是 2016 年 Ian Goodfellow 或者自动化所王飞跃...
第七章 半监督生成对抗网络SGAN
like_jmo的博客
10-27 840
写在前面：最近看了《GAN实战》，由于本人忘性大，所以仅是笔记而已，方便回忆，如果能帮助大家就更好了。 半监督学习是GAN在实际应用中最有前途的领域之一。 半监督学习只为训练数据集的一小部分提供类别标签，从这一小部分集中归纳，以有效的对未见过的新样本进行分类。要使半监督学习有效，标签数据和无标签数据必须来自相同的基本分布。 半监督生成对抗网络 Semi-Supervised GAN 其最特殊的一点：鉴别器是一个多分类器，与传统的GAN（二分类，真假问题判断）不同，SGAN的鉴别器学会分N+1类，其中
半监督生成式对抗网络学习笔记
会飞的鱼的博客
02-04 359
半监督生成式对抗网络
语音情感识别研究现状
曹同学的博客
05-02 3333
语音情感识别研究现状情感是什么语音情感识别是什么为什么要研究语音情感识别语音情感识别方法语音情感识别未来趋势 情感是什么 情感是什么：按照当前心理学研究表示为情绪，或者是感觉的体现。这些都是抽象的虚拟的无法作为具体的表现，是一种充满主观性质的内容。 语音情感识别是什么 语音情感识别是将语音作为识别情感的依据，因为语音当中包含很多语音情感的表现，类似于语速：代表着说话的快慢，重口音，以及音高基频等韵律相关的特征，当然也有mel-倒谱系数这样的同样可以作为判断情感的识别因素，所以语音情感识别能够将语音当中包含的
《Conditional Generative Adversarial Networks for SE and Noise-Robust Speaker Verification》
fengqiyunfeiyangya的博客
07-15 1104
摘要：在嘈杂环境中提高语音系统性能仍然是一项具有挑战性的任务，语音增强（SE）是解决该问题的有效技术之一。由于生成对抗网络（GAN）在各种图像处理任务中的有发展前景的实验结果，我们探索条件GAN（cGAN）对SE的潜力，特别是，我们利用Isola提出的图像处理框架[1] ]学习从嘈杂语音的谱图到增强对应物的映射。SEcGAN由两个以对抗方式训练的网络组成：一个试图增强输入噪声频谱图的生成器，以及一...
GAN（生成对抗网络）
weixin_42577983的博客
03-06 316
GAN,Generative Adversarial Network. 起源于2014年，NIPS的一篇文章，Generative Adversarial Net. GAN, 是一种二人博弈的思想，双方利益之和是一个常数，是固定的。你的利益多点，对方利益就少点。 GAN里面，博弈双方是：一个叫G（生成模型），另一个叫D（判别模型）。 两个模型都有各自的输入输出（类似于函数）。 生成模型（G）：输入...
深入研究不平衡回归问题
idol24的博客
08-06 1272
来源：知乎—Yuzhe Yang作者：https://zhuanlan.zhihu.com/p/369627086来给大家介绍一下我们的新工作，目前已被ICML 2021接收为 Long oral presentation：Delving into Deep Imbalanced Regression。这项工作在经典的数据不平衡问题下，探索了非常实际但极少被研究的问题：数...
生成对抗网络在语音合成与识别中的应用
AI天才研究院
12-31 1212
1.背景介绍 语音合成和语音识别是人工智能领域中两个非常重要的技术方面，它们在现实生活中的应用也非常广泛。语音合成技术可以将文本转换为人类可以理解的语音信号，这对于屏幕欠语或失明的人们是非常重要的。而语音识别技术则可以将人类的语音信号转换为文本，这对于智能家居、语音助手等应用非常重要。 随着深度学习技术的发展，生成对抗网络（Generat
洞见 | 生成对抗网络GAN最近在NLP领域有哪些应用？
热门推荐
人工智能
04-16 1万+
AI科技评论按：本文作者莫驚蟄，原文载于知乎，获授权转载。 我来答一答自然语言处理方面GAN的应用。 直接把GAN应用到NLP领域（主要是生成序列），有两方面的问题： 1. GAN最开始是设计用于生成连续数据，但是自然语言处理中我们要用来生成离散tokens的序列。因为生成器(Generator，简称G)需要利用从判别器(Discriminator，简称D)得到的梯度进行训练
半监督生成对抗网络_生成对抗网络（GAN）的半监督学习
weixin_35176891的博客
01-02 1873
前言如果您曾经听说过或研究过深度学习，那么您可能就知道MNIST, SVHN, ImageNet, PascalVoc或者其他数据集。这些数据集都有一个共同点： 它们由成千上万个有标签的数据组成。 换句话说，这些集合由(x，y)对组成，其中(x)是原始数据，例如是一个图像矩阵；而(y)则表示该数据点(x)表示的标签。以MNIST数据集为例， MNIST数据集包含60,000个图像数据，每个数据表征...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值