Normalisation des locuteurs pour la reconnaissance émotionnelle automatique de la parole basée sur l'apprentissage non supervisé

Les grands jeux de données pour la reconnaissance des émotions par la parole sont difficiles à obtenir, et les petits jeux de données peuvent contenir des biais. Les classificateurs basés sur les réseaux profonds, à l’inverse, sont sujets à exploiter ces biais et à trouver des raccourcis, tels que les caractéristiques du locuteur. Ces raccourcis nuisent généralement à la capacité d’un modèle à généraliser. Pour relever ce défi, nous proposons un cadre d’apprentissage adversaire basé sur les gradients, qui apprend une tâche de reconnaissance des émotions par la parole tout en normalisant les caractéristiques du locuteur à partir de la représentation des caractéristiques. Nous démontrons l’efficacité de notre méthode dans des configurations indépendantes et dépendantes du locuteur, et obtenons de nouveaux résultats d’état de l’art sur le jeu de données exigeant IEMOCAP.