PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.06550v1cs.SD

자기지도 음성 감정 인식을 위한 기하학적 2차 특징 상관 학습

Geometric Second-Order Feature Correlation Learning for Self-Supervised Speech Emotion Recognition

자기지도 학습(SSL)은 음성 감정 인식(SER)에 강력하고 문맥이 풍부한 표현을 제공하지만, 이러한 표현을 전체적인 서술자로 집계하는 것은 여전히 병목이다. 기존의 1차 집계는 암묵적으로 특징 독립성을 가정하여, 잠재적인 Riemannian 기하학을 간과하고 백본의 표현력에 필수적인 고차 관계를 버린다. 이 문제를 해결하기 위해, 본 논문은 새로운 2차 상관(Second-Order Correlation, SOC) 층을 제안한다. SOC는 특징을 고립적으로 취급하는 대신, 특징 상관을 공분산 서술자로 모델링하여 시너지적 공발생 패턴을 포착하고, 이는 강건한 감정 인식을 위한 판별적 시그니처로 작용한다. Log-Euclidean mapping(LEM)을 통해 Riemannian 다양체에서 Euclidean 접공간으로 이러한 서술자를 매핑함으로써, 제안 방법은 기하학적 무결성을 유지하면서 직접적인 선형 판별 학습을 가능하게 한다. ESD 및 RAVDESS 데이터셋에 대한 광범위한 실험은 SOC가 1차 풀링에서 손실된 판별 정보를 복원하고 고차원 SSL 특징을 효과적으로 집계함을 보여준다.