多模态情绪识别 (Multimodal Emotion Recognition)

基于深度学习的多模态情绪识别方法研究套件，支持文本、音频、视频三种模态的情绪分类与情感分析任务。

项目简介

本项目是一个用于多模态情绪识别的研究套件，支持以下功能：

• 🎯 多模态融合：支持文本(T)、音频(A)、视频(V)三种模态的单独和组合使用
• 📊 多数据集支持：支持MELD、IEMOCAP、SIMS等主流情绪数据集
• 🚀 高效训练：集成缓存机制、混合精度训练、知识蒸馏等优化技术
• ⚙️ 灵活配置：基于TOML配置文件的模块化设计，支持各种实验配置
• 📈 完整流程：从数据预处理到模型训练、评估的完整工具链

如果需要了解项目的详细结构，请查看项目结构文档。

快速开始

环境要求

• Python 3.12+
• PyTorch 2.4.1
• CUDA 12.1 (可选，用于GPU加速)

安装

1. 克隆项目仓库：

git clone https://github.com/zrr1999/emotion-recognition.git
cd emotion-recognition

2. 安装依赖：

# 使用uv安装（推荐）
uv sync --all-extras --dev

# 国内用户可使用清华源加速
uv sync --all-extras --dev --index-url https://pypi.tuna.tsinghua.edu.cn/simple --extra-index-url https://download.pytorch.org/whl/cu121

3. 准备数据集：

# 创建数据集目录
mkdir datasets

# 下载并链接MELD数据集
ln -s /path/to/MELD datasets/MELD

数据集需要按照项目结构文档中的格式组织。

基本使用

命令行工具

项目提供了两个命令行工具：

# 情绪识别工具
emotion-recognize --help

# 数据处理工具
emotion-tool --help

训练模型

使用nanoflow进行实验：

# 运行基础实验
uvx nanoflow run experiments/mdn.toml
uvx nanoflow run experiments/makd.toml

# 运行消融实验
uvx nanoflow run experiments/mdn-ablation.toml
uvx nanoflow run experiments/makd-ablation.toml

核心特性

🚀 高效训练机制

特征缓存机制

由于当特征提取模块冻结时，相同输入的特征提取模块的输出不会发生变化，因此可以将特征提取模块的输出缓存下来，以减少重复计算。本项目使用SafeTensors格式进行特征缓存，相比于其他格式，SafeTensors拥有更好的性能和安全性。

透明模型存储

在实验过程中，我们通常会保存许多模型的检查点，也会通过修改参数训练多个不同的模型。一般情况下，每一份的模型都需要保存一份参数，这样会导致存储空间的浪费。为了解决这个问题，我们使用软连接将相同的模型参数链接到不同的模型文件夹中，以减少存储空间的浪费。同时，这种方法并不会破坏原本的文件夹结构，使得整体结构更加清晰。

混合精度训练

集成自动混合精度(AMP)支持，在保持模型精度的同时显著加速训练过程并减少显存占用。

⚙️ 灵活配置系统

动态配置理念

在实验过程中，为了比较不同的模型，往往需要频繁的修改参数以便训练多个不同的模型。本项目采用配置文件方案，既可以保持代码的整洁，又可以方便的修改参数。配置文件支持列表、字典等复杂数据结构，表达能力远超命令行参数。

采用TOML配置文件实现模块化设计：

• configs/encoders/：编码器配置（T、A、V及其组合）
• configs/fusion/：融合策略配置
• configs/losses/：损失函数配置
• configs/dataset/：数据集配置

技术依赖：Pydantic 用于配置验证和类型检查。

🔄 知识蒸馏优化

在TelME的实现中，使用知识蒸馏训练不同的模态需要进行多次，这样会导致训练时间过长（即使使用了本项目的缓存技术）。为了解决这个问题，我们将多个模态的知识蒸馏训练合并到一次训练中，这样可以大幅度减少训练时间。

📊 多数据集支持

支持主流情绪识别数据集：

• MELD：情绪分类和情感分析
• IEMOCAP：情绪分类
• SIMS：情感分析

🔧 持续集成

本项目实现了基础的持续集成，具体可以参考train-and-eval.yml。

项目约定

检查点命名规范

检查点命名格式为{训练类别}/{数据集}/{训练方式}--{批大小}--{分类损失函数}/{网络摘要}/{网络哈希}--{随机种子}，例如training/MELD--E/trainable--2--{loss}/1xE--T/51fe7ba3--114。

模态简称

• T (Text): 文本模态
• A (Audio): 音频模态
• V (Video): 视频模态

训练方式简称

• T (Full Tuning): 全参数微调
• L (LoRA): 低秩适应
• F (Froze Backbones): 冻结骨干网络

数据集类型简称

• E (Emotion): 情绪分类任务
• S (Sentiment): 情感分析任务

技术架构

核心依赖

组件	版本	用途
Python	3.12+	运行环境
PyTorch	2.4.1	深度学习框架
Transformers	4.48+	预训练模型支持
Pydantic	2.0+	配置验证
SafeTensors	0.4+	高效特征缓存

模型架构

多模态输入 → 特征编码器 → 特征融合 → 分类器 → 情绪预测
    ↓           ↓          ↓        ↓         ↓
  T/A/V    BERT/Whisper  Deep/MoE  Linear   Classes

编码器支持

• 文本(T)：BERT、RoBERTa、ModernBERT等
• 音频(A)：Whisper、Distil-Whisper等
• 视频(V)：OpenCV特征提取

融合策略

• Vanilla融合：简单拼接
• Deep融合：深度神经网络
• MoE融合：混合专家模型
• 注意力融合：自注意力机制

性能优化

• 视频读取：OpenCV (0.08s/帧) vs PyAV (0.17s/帧)
• 特征缓存：使用SafeTensors格式，冻结时避免重复计算
• 存储优化：软连接机制减少模型存储空间

实验结果

以下结果基于MELD数据集的情绪分类任务

单模态性能

文本模态 (Text-only)

方法	随机种子	准确率	Weighted-F1
APCL (temp=0.08, β=0.1, γ=0.1)	43	67.74%	67.04%
APCL (temp=0.08, β=0.1, γ=0.1)	42	68.05%	66.91%
APCL (temp=0.08, β=0.1, γ=0.1)	114	67.59%	66.55%
APCL (temp=0.08, β=0.1, γ=0.1)	0	67.93%	66.92%
SPCL (temp=0.08, pool=512, support=64)	42	68.31%	67.31%
SPCL (temp=0.08, pool=512, support=64)	114	67.32%	66.55%
SPCL (temp=0.08, pool=512, support=64)	0	66.63%	66.50%

多模态性能

模态组合	方法	准确率	Weighted-F1	备注
T+A+V	待补充	-	-	待补充
T+A	待补充	-	-	待补充
T+V	待补充	-	-	待补充

贡献指南

欢迎贡献代码和想法！请遵循以下步骤：

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/amazing-feature)
3. 提交更改 (git commit -m 'Add amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 创建 Pull Request

开发环境

# 安装开发依赖
uv sync --dev

# 运行代码检查
uv run ruff check src/
uv run pyright src/

# 运行格式化
uv run ruff format src/

参考文献

预训练模型

• BERT: Pre-training of Deep Bidirectional Transformers
• RoBERTa: A Robustly Optimized BERT Pretraining Approach
• ModernBERT: Modernizing the BERT Architecture

模型压缩技术

• LoRA: Low-Rank Adaptation of Large Language Models

知识蒸馏

• Knowledge Distillation for Deep Learning
• DIST: Distillation with Student-Teacher Networks
• Cross-Modal Knowledge Distillation

混合专家模型

• TGMoE: A Text Guided Mixture of Experts Model

语音识别

• Faster Whisper
• Distil-Whisper: Robust Knowledge Distillation
• Distil-Large-V3
• BELLE: Be Everyone's Large Language model Engine

其他参考资料

技术博客与教程

• 多模态情绪识别综述 - 多模态情绪识别技术的全面介绍
• 自动混合精度AMP训练详解 - PyTorch AMP技术说明和最佳实践

数据集与基准

• 情绪识别数据集对比 - Papers with Code上的相关资源
• MELD数据集官方 - MELD数据集官方网站
• IEMOCAP数据集 - IEMOCAP情绪数据库

学术资源

• 多模态学习方法综述 - 多模态深度学习最新进展
• 情绪计算会议(ACII) - 情感计算领域顶级会议
• 多模态机器学习教程 - CMU多模态课程

工具与框架

• Transformers库文档 - HuggingFace Transformers使用指南
• PyTorch官方教程 - PyTorch深度学习教程
• Nanoflow工作流引擎 - 实验管理工具

许可证

本项目采用 MIT 许可证。

致谢

感谢所有为本项目提供指导和想法的同学和老师们！

---

如有问题或建议，欢迎提交 Issue 或 Pull Request。