1st Place Solution to Odyssey Emotion Recognition Challenge Task1: Tackling Class Imbalance Problem

语音情感识别是一项具有挑战性的分类任务，尤其是在训练和测试数据中情感类型的分布不平衡的情况下。在这种情况下，模型更难学习如何区分少数类别，导致这些类别有时会被忽略或经常被错误分类。先前的研究利用了类别加权损失进行训练，但问题仍然存在，因为它有时会导致少数类别过度拟合或多数类别欠拟合。本文介绍了一个由多个站点团队开发的系统，用于参加Odyssey 2024情感识别挑战赛Track-1。挑战数据具有上述属性，因此所提出的系统旨在解决这些问题，通过在应用类别加权损失时引入聚焦损失进行优化。具体而言，聚焦损失进一步加权为基于先验的类别权重。实验结果表明，将这两种方法结合起来可以带来更好的整体性能，但会牺牲主要类别的性能。该系统还采用了多数表决策略，将7个模型的输出组合起来。这些模型是独立训练的，使用不同的声学特征和损失函数，旨在为不同的数据提供不同的性能特性。因此，这些模型在主要类别和次要类别上显示出不同的性能偏好。集成系统输出在挑战赛中获得了最佳表现，在68个提交中排名第一。它也胜过了我们设定的所有单一模型。在Odyssey 2024情感识别挑战赛任务1数据上，该系统获得了35.69％的宏F1分数和37.32％的准确度。

解决情感语音识别中类别分布不均衡的问题，使得模型能够更好地识别少数类别。

论文提出了一种结合了类别加权损失和焦点损失的优化方法，并采用基于先验的类别权重来进一步加权。同时，使用了一个由7个模型组成的集成系统，采用多数投票策略来获得最终输出。

论文在Odyssey 2024情感识别挑战赛中取得了最佳表现，并在数据集上获得了35.69%的宏F1得分和37.32%的准确率。同时，论文提供了开源代码和实验数据集。

类别不平衡问题在机器学习中是一个常见的问题。之前的研究已经提出了类别加权损失等方法来解决这个问题。