摘要：本文为大家带来InterSpeech2020 语音情感分析25篇论文中的其中8篇的总结。
本文分享自华为云社区《INTERSPEECH2020 语音情感分析论文总结一》，原文作者：Tython。
1. Learning Utterance-level Representations with Label Smoothing for Speech Emotion Recognition（INTERSPEECH2020）
（1）数据处理：IEMOCAP四分类，leave-one-speaker-out，unweighted accuracy。openSMILE对短时帧提取147维LLDs特征。
（2）模型方法：采用LSTM对一句话的多个segment的特征序列建模，输出的特征序列经过NetVLAD进行聚类压缩，由原来的ND的维度降为KD，再对降维后的特征进行softmax分类。在类别标签上，作者采用标签平滑（label smoothing）策略，即在训练过程中，加入非匹配的（X，y）数据对，也叫作label-dropout（dropping the real labels and replace them with others），并分配一个权值小的标签。以此提升模型的适应性，减少过拟合。
（3）NetVLAD源自图像特征提取方法的一种VLAD，通过对图像的特征向量聚类，得聚类中心并做残差，将一个若干局部特征压缩为特定大小全局特征的方法。具体可参考https://zhuanlan.zhihu.com/p/...
（4）实验：NetVLAD可看作一种pooling方法，最后WA达62.6%，高出weighted-pooling2.3个百分点。label smoothing前后的效果分别是59.6%和62%，相差两个百分点。
（5）总结：最大的贡献在于对每个frame的特征进行NetVLAD做类似池化操作，筛选有用特征；另外在训练方式上也引入label smoothing操作，提升效果两个点。
2. Removing Bias with Residual Mixture of Multi-View Attention for Speech Emotion Recognition（INTERSPEECH2020）
（1）数据处理：IEMOCAP数据四分类，Session1-4训练，Session5测试。特征提取23维的log-Mel filterbank。
（2）模型方法：一个Utterance分成N帧，依次输入BLSTM（Hidden layer 512 nodes），得到N*1024大小的矩阵，输入第一个Attention layer 1。将该layer的输出合上原始的矩阵一起分别输入三个Attention_i_Layer_2，该三个attention层分别独立并受超参数gama控制。然后将三个输出求和，并输入一个全连接层（1024 nodes），最后softmax层做分类。
（3）实验：采用WA，UA作为评价指标，但是文章定义UA错误，UA的定义实际为WA。而WA的定义也存疑。实验效果UA达80.5%，实为segment-level的Accuracy。并没有通用的句子级的Accuracy，也是评价的一个trick。
（4）总结：论文的创新主要对经过BLSTM的特征进行多个Attention操作，作为MOMA模块，取得显著的效果提升。但是该提升只体现在segment-level的准确率，参考意义不大。
3. Adaptive Domain-Aware Representation Learning for Speech Emotion Recognition
（1）数据处理：IEMOCAP数据四分类，leave-one-speaker-out。STFT汉明窗提取频谱特征，窗长分别为20ms, 40ms，窗移10ms。
（2）模型方法：输入同一频谱图，分成两部分，一部分到Domain-Aware Attention模块（time pooling, channel pooling and fully connected layer, respectively），另一部分至Emotion模块，做time pooling, channel-wise fully connected(各channel分别全连接)。然后Domain模块输出一个向量，将向量变成对角矩阵，与Emotion模块的输出矩阵相乘，使得领域信息融入到emotion embedding。最后多任务学习，分别求Domain loss和Emotion loss。这里的Domain并不是指不同领域的数据，而是指性别、年龄等额外信息。
（3）实验：WA达到73.02%，UA达到65.86%，主要对Happy情绪的分类不准确。相比单任务emotion分类，多任务WA高出3%，WA高出9%。
（4）总结：论文实质上就是多任务学习，以此提升情绪分类效果。
4. Speech Emotion Recognition with Discriminative Feature Learning
（1）数据处理：IEMOCAP数据四分类，train:validate:test=0.55:0.25:0.2。所有utterance切分或填充到7.5s，提取LLDs特征log-Melfilterbank四十维特征，窗长分别为25ms，窗移10ms。
（2）模型方法：输入语谱图，六个CNN block重头到尾进行卷积，提取特征；之后出入到LSTM序列建模，Attention模块对LSTM的输入进行选择权重，最后全连接层再softmax分类。
（3）实验：UA达到62.3%，比baseline的效果低（67.4%），但论文重点在于模型轻（参数量小于360K），计算快。另一个验证Additive margin softmax loss, Focal loss跟attention pooling效果相当，都能达到66%左右。
（4）总结：论文的创新不在网络结构，而是采用不同loss的效果。
5. Using Speech Enhancement Preprocessing for Speech Emotion Recognition in Realistic Noisy Conditions
（1）数据处理：IEMOCAP数据人工加入噪音，CHEAVD数据本生存在噪音，因此不用加噪音。
（2）模型方法：本文章是一个语音增强模型。输入带噪频谱，目标是生成纯净语音的频谱以及ideal ratio mask，中间有三层的LSTM层，每层会生成一些频谱特征以及相应的mask。最后一层输出生成的纯净语音频谱和IRM。
（3）实验：前者IEMOCAP数据和WSJ0数据一起用于训练语音增强模型，然后对IEMOCAP的测试集（加噪音后）进行情绪预测。后者语音增强模型首先在1000小时语料上训练好，然后对CHEAVD数据进行增强，增强后的语音用于语音情感识别。
（4）总结：语音增强模型在含语音情感的数据上训练后，对于带噪的语音情感识别任务效果显著；在一些低信噪比、低能量和笑声的片段中，语音增强后往往会被扭曲（distorted），SER效果可能会下降。
6. Comparison of glottal source parameter values in emotional vowels
（1）数据处理：日本JAIST录制的语音数据，四个人（两男两女），每人表达4种情绪（生气、愉悦、中性、悲伤）。发音为元音a。
（2）模型方法：ARX-LF模型，the ARX-LF model has been widely used for representing glottal source waves and vocal tract filter。
（3）实验：对声门音（glottal source）的波形（waveform）分析，发现悲伤的元音更圆滑而愉悦和生气的更陡峭。统计参数（parameters）Tp, Te, Ta, Ee, F0(1/T0)发现，基频F0对不同情绪差异显著。
（4）总结：偏传统语言情感研究的方向，研究声门音对情绪的表达情况，具有探索性，在全面DL的趋势下，难能可贵。后续可对这些数据进行DL建模，也许是一个方向。但是难度在于声门音的收集与标注，目前的实验数据较为稀少且人工录制，成本高，数据量少。
7. Learning to Recognize Per-rater’s Emotion Perception Using Co-rater Training Strategy with Soft and Hard Labels
（1）数据处理：IEMOCAP数据和NNIME数据，对valence、activation的评分1-5分别划成low/middle/high三个离散类别。特征源自openSMILE的45维特征，含MFCC、F0和响度等。
（2）模型方法：对于每一段音频，每人对它的情绪感知不一样，传统采用投票机制，选择众数作为唯一标签。本文采用不同的策略，对每个人的情感标签进行预测。基本模型是BLSTM-DNN模型，下图中的（a）部分。训练数据的标签分成三部分，一个是每个人的硬标签（唯一），另外两个是除了该目标人的其他人的软标签和硬标签。三类标签数据分别用BLSTM-DNN模型单独训练。然后冻结BLSTM-DNN参数，将各BLSTM-DNN的dense layer层的输出拼接，再叠加三个Dense layers，最后softmax到个人的硬标签。因此预测阶段，每个人有对应的情绪感知，当存在N个人的话，将有N个模型。
（3）硬标签与软标签：对于一段音频，如果三个标注人员的标注结果是[L, L, M]，那硬标签就是L，即[1, 0, 0]；软标签则是[0.67, 0.33, 0]，即三个类别的占比数。
（4）实验：比单独个人的标签建模提升1-4个百分点，软硬标签的设计有助于提升SER效果。只需标注目标人物50%的数据，就能取得标注100%的效果。意思是对于新来一个用户，他只需标注IEMOCAP 50%的数据，该模型就能取得他标注100%数据效果。
（5）总结：原理上确实众包的标注有利于推测个人的标签，但是没有跟其他模型进行对比，不过这也不是本文的重点。
8. Empirical Interpretation of Speech Emotion Perception with Attention Based Model for Speech Emotion Recognition
（1）数据处理：IEMOCAP数据四分类，Session1-4训练，Session5测试。特征提取23维的log-Mel filterbank。
（2）模型方法：一个utterance分成多帧，一份输入BLSTM+Attention模型，另一个输入CNN+Attention模型。然后将两个模型的结果融合。
（3）实验：采用WA，UA作为评价指标，但是文章定义UA错误，UA的定义实际为WA。而WA的定义也存疑。实验效果UA达80.1%，实为segment-level的Accuracy。并没有通用的句子级的Accuracy，也是评价的一个trick。
（4）总结：论文就是两个主流模型的结果级融合，创新性不高。提升只体现在segment-level的准确率，参考意义不大。