论文笔记：语音情感识别（三）手工特征+CRNN

一：Emotion Recognition from Human Speech Using Temporal Information and Deep Learning（2018 InterSpeech）

（1）分帧加窗，每一帧采用的特征向量为eGeMAPS特征集中的20个特征，每个utterance使用裁剪和padding的做法使得定长512帧，所以输入为20x512的矩阵。每个样本归一化到0均值1标准差（根据对应的说话人）。使用的数据集为EmoDB。

（2）准确率为88.9%

二：Speech Emotion Recognition from Variable-Length Inputs with Triplet Loss Function（2018 InterSpeech）

（1）语音情感识别方面的前人工作主要集中于特征和模型的探索，本文将triplet loss应用到模型中，输入三个样本，用LSTM提取特征，训练。最后从loss层的前一层取出特征向量送到SVM分类。使用的特征基于ComParE特征集，使用openSMILE库提取了147个LLDs（Low level Descriptors）。数据集用的IEMOCAP。

（2）通常获得等长输入的做法有：计算一个utterance上很多帧特征，然后对这些帧做一个统计（比如均值，最大值等等）；做裁剪和padding使得等长；全卷积加全局池化。

（3）本文使用了三种padding策略，第一种就是按最后一帧的值pad直到达到指定长度，称为pad mode。第二种就是按原序列从头到尾的值进行pad，如果不够长就继续从原序列的头到尾序列pad，重新多次，直到长度大于指定长度，取的时候从中间随机选择，称为cycle mode，实验证明cycle mode效果最好。第三种跟第二种类似，只不过是重复第一帧的值来pad，然后重复第二帧的值来pad，直到最后一帧的值，取的时候也是从中间随机选择。

（4）数据集使用的IEMOCAP，值得一提的是这篇论文只是提出了新颖的方法（triplet loss和cycle mode），在实验中的方法对比上并没有凸出模型表现的优势。

三：Exploring Spatio-Temporal Repr