CNN+LSTMアーキテクチャを用いた音声感情認識におけるデータ拡張

本研究では、IEMOCAPデータセットを用いて音声から感情を認識するためのニューラルネットワークを設計しました。最新の音響解析の進展に従い、生スペクトログラムから高次特徴量を抽出する畳み込み層と、長期依存関係を集約する再帰層を組み合わせたアーキテクチャを使用しています。さらに、ボーカルトラック長の変動によるデータ拡張、層ごとの最適化調整、再帰層のバッチ正規化などの技術を検討し、4つの感情に対する重み付き精度64.5%、非重み付き精度61.7%という競争力のある結果を得ました。