HiCMAE 论文复现：基于 RAVDESS 数据集的音视频情感识别

1. 项目背景与论文概述

1.1 多模态情感识别背景

多模态情感识别是人工智能领域的重要研究方向，旨在通过结合多种感知模态（如音频、视频、文本等）来更准确地识别人类情感状态。与传统单模态方法相比，多模态方法能够利用不同模态间的互补信息，提高情感识别的鲁棒性和准确性。

RAVDESS（Ryerson Audio-Visual Database of Emotional Speech and Song）是一个常用的多模态情感识别数据集，包含24位专业演员（12名男性，12名女性）表达的8种情感状态（中性、平静、快乐、悲伤、愤怒、恐惧、厌恶和惊讶）的音视频数据。

1.2 HiCMAE 论文核心思想

HiCMAE（Hierarchical Cross-Modal Masked Autoencoder）是一种新颖的多模态自监督学习框架，其主要贡献包括：

1. 跨模态掩码自编码器：通过随机掩码一种模态的部分输入，训练模型从另一种模态重建被掩码的内容
2. 分层表示学习：在不同层次上学习模态内和模态间的表示
3. 对比学习机制：通过对比学习对齐不同模态的表示空间

这种方法能够有效学习音频和视频模态之间的对应关系，提高下游情感识别任务的性能。<