في هذا البحث، تم تطوير نموذج جديد من Vision Transformer للتعرف على عواطف الكلام (SER) من خلال الاستفادة من الميل-سبكتروغرامات والميزات العميقة. يتضمن النموذج رأس متعدد الطبقات (MLP) بسيط بأبعاد 128 لاستخراج الميزات العميقة، إلى جانب تقنيات مثل التسطيح، والتجزئة، وحجم الباتش 32، وتضمين الموقع، والانتباه الذاتي، وطبقات رأس MLP. تقلل هذه البنية من التعقيد…