-
公开(公告)号：CN109637522B
公开(公告)日：2022-12-09
申请号：CN201811599907.9
申请日：2018-12-26
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于语谱图提取深度空间注意特征的语音情感识别方法，采用以下步骤完成：步骤a：对已标注指定情感标签的标准情感数据库中的语音进行预处理，生成语谱图；步骤b：将所述语谱图送入AItti模型提取SEF特征；步骤c：将所述语谱图送入语音情感模型提取浅层特征；步骤d：将所述SEF特征和所述浅层特征作为输入，送到CSWNet中，生成标定权重特征；步骤e：将所述标定权重特征送入CRNN之后的网络层，提取深度情感特征，通过Softmax分类器进行情感分类，生成最终分类结果。本发明所述方法相比于传统模型，在少量增加模型复杂度的前提下，平均识别率提升了8.43％，非同类情感区分效果明显，兼具良好的泛化性。
-
公开(公告)号：CN108009628B
公开(公告)日：2020-06-05
申请号：CN201711032917.X
申请日：2017-10-30
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于生成对抗网络的异常检测方法，包括步骤：S1：处理语义分割图像数据集，得到满足原始图像的数据集和Mask图像的数据集；S2：建立包括生成网络和鉴别网络的异常检测生成对抗网络结构；S3：训练所述满足原始图像的数据集和Mask图像的数据集，得到异常检测的生产对抗网络模型；S4：输入原始图像，得到特定异常类型的图像。本发明与现有技术相比有如下优点：1.本发明以异常部分图像作为模型训练目标，不同于传统异常检测方法，以异常部分具体定位信息作为训练目标，使得图像异常部分更加直观性。2.本发明建立生成对抗网络模型，不同于传统异常检测方法单一一体的网络结构。弥补了无法输出异常部分的图像的缺点。
-
公开(公告)号：CN108009628A
公开(公告)日：2018-05-08
申请号：CN201711032917.X
申请日：2017-10-30
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于生成对抗网络的异常检测方法，包括步骤：S1：处理语义分割图像数据集，得到满足原始图像的数据集和Mask图像的数据集；S2：建立包括生成网络和鉴别网络的异常检测生成对抗网络结构；S3：训练所述满足原始图像的数据集和Mask图像的数据集，得到异常检测的生产对抗网络模型；S4：输入原始图像，得到特定异常类型的图像。本发明与现有技术相比有如下优点：1.本发明以异常部分图像作为模型训练目标，不同于传统异常检测方法，以异常部分具体定位信息作为训练目标，使得图像异常部分更加直观性。2.本发明建立生成对抗网络模型，不同于传统异常检测方法单一一体的网络结构。弥补了无法输出异常部分的图像的缺点。
-
公开(公告)号：CN109637522A
公开(公告)日：2019-04-16
申请号：CN201811599907.9
申请日：2018-12-26
申请人： 杭州电子科技大学
CPC分类号： G10L15/02 , G06K9/6267 , G06N3/0454 , G10L15/063 , G10L15/16
摘要： 本发明公开了一种基于语谱图提取深度空间注意特征的语音情感识别方法，采用以下步骤完成：步骤a：对已标注指定情感标签的标准情感数据库中的语音进行预处理，生成语谱图；步骤b：将所述语谱图送入AItti模型提取SEF特征；步骤c：将所述语谱图送入语音情感模型提取浅层特征；步骤d：将所述SEF特征和所述浅层特征作为输入，送到CSWNet中，生成标定权重特征；步骤e：将所述标定权重特征送入CRNN之后的网络层，提取深度情感特征，通过Softmax分类器进行情感分类，生成最终分类结果。本发明所述方法相比于传统模型，在少量增加模型复杂度的前提下，平均识别率提升了8.43％，非同类情感区分效果明显，兼具良好的泛化性。
-
-
-
搜索结果
4 条记录 (耗时 0.034 秒)
