論文の概要: Introducing Representations of Facial Affect in Automated Multimodal Deception Detection

• arxiv url: http://arxiv.org/abs/2008.13369v1
• Date: Mon, 31 Aug 2020 05:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 07:02:46.826478
• Title: Introducing Representations of Facial Affect in Automated Multimodal Deception Detection
• Title（参考訳）: 自動マルチモーダル・デセプション検出における顔の感情表現の導入
• Authors: Leena Mathur and Maja J Matari\'c
• Abstract要約: 自動偽造検知システムは、社会の健康、正義、安全を高めることができる。 本稿では,顔認識における顔の感情の次元表現力の新たな解析法を提案する。 私たちは、現実世界の、高額な法廷状況で、真実または偽装的にコミュニケーションする人々のビデオデータセットを使用しました。
• 参考スコア（独自算出の注目度）: 18.16596562087374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated deception detection systems can enhance health, justice, and security in society by helping humans detect deceivers in high-stakes situations across medical and legal domains, among others. This paper presents a novel analysis of the discriminative power of dimensional representations of facial affect for automated deception detection, along with interpretable features from visual, vocal, and verbal modalities. We used a video dataset of people communicating truthfully or deceptively in real-world, high-stakes courtroom situations. We leveraged recent advances in automated emotion recognition in-the-wild by implementing a state-of-the-art deep neural network trained on the Aff-Wild database to extract continuous representations of facial valence and facial arousal from speakers. We experimented with unimodal Support Vector Machines (SVM) and SVM-based multimodal fusion methods to identify effective features, modalities, and modeling approaches for detecting deception. Unimodal models trained on facial affect achieved an AUC of 80%, and facial affect contributed towards the highest-performing multimodal approach (adaptive boosting) that achieved an AUC of 91% when tested on speakers who were not part of training sets. This approach achieved a higher AUC than existing automated machine learning approaches that used interpretable visual, vocal, and verbal features to detect deception in this dataset, but did not use facial affect. Across all videos, deceptive and truthful speakers exhibited significant differences in facial valence and facial arousal, contributing computational support to existing psychological theories on affect and deception. The demonstrated importance of facial affect in our models informs and motivates the future development of automated, affect-aware machine learning approaches for modeling and detecting deception and other social behaviors in-the-wild.
• Abstract（参考訳）: 自動偽造検知システムは、医療分野や法律分野の高度な状況において、人間が偏見を検出するのを助けることで、社会の健康、正義、安全を高めることができる。 本稿では,視覚的・声道的・言語的モダリティの解釈可能な特徴とともに,顔の印象の次元的表現の識別力を用いた自動偽装検出手法を提案する。 私たちは、現実世界の、高額な法廷状況で真実または偽りにコミュニケーションする人々のビデオデータセットを使用しました。 aff-wildデータベースでトレーニングされた最先端のディープニューラルネットワークを実装し、話者から顔のヴァレンスと表情の覚醒の連続表現を抽出することで、自動感情認識の最近の進歩を生かした。 我々は,一元的サポートベクトルマシン(SVM)とSVMに基づくマルチモーダル融合法を用いて,偽造検出のための効果的な特徴,モダリティ,モデリング手法を実験した。 顔への影響で訓練されたユニモーダルモデルは80%のAUCを達成し、訓練セットに含まれていない話者を対象にしたテストでは91%のAUCを達成した、最高のパフォーマンスのマルチモーダルアプローチ(適応的なブースティング)に顔への影響が寄与した。 このアプローチは、解釈可能な視覚的、声道的、言葉的な特徴を使用してデータセットの偽装を検出するが、顔の影響を使わない、既存の自動機械学習アプローチよりも高いAUCを実現した。 あらゆるビデオの中で、欺きと真理のある話し手は、顔のヴァレンスと顔の覚醒に有意な違いを示し、情動と欺きに関する既存の心理学的理論への計算的支援に貢献した。 私たちのモデルにおける顔の影響の重要性は、詐欺やその他の社会的行動のモデリングと検出のための、自動化された感情認識機械学習アプローチの将来の発展を知らせ、動機付けています。

関連論文リスト

• Facial Expression Recognition using Squeeze and Excitation-powered Swin Transformers [0.0]
  本研究では,Swin Vision Transformers (SwinT) とSwin Vision Transformers (SE) を用いて,視覚タスクに対処するフレームワークを提案する。 我々の焦点は、最小限のデータを使って顔の感情を認識できるSwinTアーキテクチャに基づく効率的なFERモデルを作ることであった。 我々は、ハイブリッドデータセットでモデルをトレーニングし、そのパフォーマンスをAffectNetデータセットで評価し、F1スコア0.5420を達成しました。
  論文  参考訳（メタデータ） (2023-01-26T02:29:17Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Affect-Aware Deep Belief Network Representations for Multimodal Unsupervised Deception Detection [3.04585143845864]
  ラベルを必要とせず、ビデオの現実世界、高い盗難を検出するための教師なしのアプローチ。 本稿では,感情を意識しないDeep Belief Networks (DBN) の新たなアプローチを提案する。 また、DBNモデルを訓練する機能として顔の感情を使用するだけでなく、音声・視覚表現の整列器として顔の感情を利用するDBN訓練手順も導入する。
  論文  参考訳（メタデータ） (2021-08-17T22:07:26Z)
• I Only Have Eyes for You: The Impact of Masks On Convolutional-Based Facial Expression Recognition [78.07239208222599]
  今回提案したFaceChannelがマスクを持つ人からの表情認識にどのように適応するかを評価します。 また、制約された社会的相互作用シナリオにおける顔の特徴の変化を学習し、組み合わせるためのFaceChannelの本質的な能力を示すために、特定の機能レベルの可視化も行います。
  論文  参考訳（メタデータ） (2021-04-16T20:03:30Z)
• Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units and a Unified Framework [83.21732533130846]
  Aff-Wild と Aff-Wild2 の2つである。 これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。 インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
  論文  参考訳（メタデータ） (2021-03-29T17:36:20Z)
• A Multi-resolution Approach to Expression Recognition in the Wild [9.118706387430883]
  顔認識タスクを解決するためのマルチリゾリューション手法を提案する。 私たちは、しばしば異なる解像度で画像が取得されるという観察を直感的に根拠としています。 我々は、Affect-in-the-Wild 2データセットに基づいてトレーニングされたSqueeze-and-Excitationブロックを備えたResNetのようなアーキテクチャを使用する。
  論文  参考訳（メタデータ） (2021-03-09T21:21:02Z)
• Learning Emotional-Blinded Face Representations [77.7653702071127]
  感情反応に関連する表情に盲目な2つの顔表現を提案する。 この作業は、個人データ保護に関する新たな国際規則によって動機付けられている。
  論文  参考訳（メタデータ） (2020-09-18T09:24:10Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。