論文の概要: Affective Processes: stochastic modelling of temporal context for
emotion and facial expression recognition
- arxiv url: http://arxiv.org/abs/2103.13372v1
- Date: Wed, 24 Mar 2021 17:48:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 14:11:21.778891
- Title: Affective Processes: stochastic modelling of temporal context for
emotion and facial expression recognition
- Title（参考訳）: 感情過程:感情と表情認識のための時間的文脈の確率的モデリング
- Authors: Enrique Sanchez and Mani Kumar Tellamekala and Michel Valstar and
Georgios Tzimiropoulos
- Abstract要約: ニューラルプロセス(Neural Processes)の枠組みに基づき,3つの主成分を用いた感情認識手法を提案する。
提案手法は,Valence と Arousal の2つのデータベースと,Action Unit のインテンシティ推定の2つのデータベースで検証する。
その結果、一連の強いベースラインや最先端の手法よりも一貫した改善が見られた。
- 参考スコア（独自算出の注目度）: 38.47712256338113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal context is key to the recognition of expressions of emotion.
Existing methods, that rely on recurrent or self-attention models to enforce
temporal consistency, work on the feature level, ignoring the task-specific
temporal dependencies, and fail to model context uncertainty. To alleviate
these issues, we build upon the framework of Neural Processes to propose a
method for apparent emotion recognition with three key novel components: (a)
probabilistic contextual representation with a global latent variable model;
(b) temporal context modelling using task-specific predictions in addition to
features; and (c) smart temporal context selection. We validate our approach on
four databases, two for Valence and Arousal estimation (SEWA and AffWild2), and
two for Action Unit intensity estimation (DISFA and BP4D). Results show a
consistent improvement over a series of strong baselines as well as over
state-of-the-art methods.
- Abstract（参考訳）: 時間的文脈は感情の表現を認識する鍵となる。
既存のメソッドは、時間的一貫性を強制するためにリカレントあるいは自己アテンションモデルに依存し、機能レベルで作業し、タスク固有の時間的依存性を無視し、コンテキストの不確実性をモデル化しない。
これらの問題を緩和するために、ニューラル・プロセスの枠組みを構築し、(a)グローバル潜在変数モデルによる確率的文脈表現、(b)機能に加えてタスク固有の予測を用いた時間的文脈モデリング、(c)スマート時間的文脈選択の3つの重要な要素を用いた感情認識手法を提案する。
提案手法は,valence と arousal estimation (sewa と affwild2) と action unit intensity estimation (disfa と bp4d) の4つのデータベースで検証した。
その結果、一連の強いベースラインや最先端の手法よりも一貫した改善が見られた。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Relational Temporal Graph Reasoning for Dual-task Dialogue Language
Understanding [39.76268402567324]
デュアルタスクダイアログ理解言語は、2つの相関ダイアログ言語理解タスクを、その固有の相関を通じて同時に扱うことを目的としている。
我々は、リレーショナル時間グラフ推論(Relational temporal graph reasoning)が中心となる新しいフレームワークを提唱した。
私たちのモデルは最先端のモデルよりも大きなマージンで優れています。
論文 参考訳（メタデータ） (2023-06-15T13:19:08Z) - Spatio-temporal Relation Modeling for Few-shot Action Recognition [100.3999454780478]
本稿では,高次時間表現を同時に学習しながら,クラス固有の特徴の識別性を向上する数ショットアクション認識フレームワークSTRMを提案する。
本手法は,本研究でもっとも優れた手法に比べて,分類精度が3.5%向上した。
論文 参考訳（メタデータ） (2021-12-09T18:59:14Z) - An Empirical Study: Extensive Deep Temporal Point Process [23.9359814366167]
本稿では,非同期イベントシーケンスを時間差の深いポイントプロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z) - Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout
for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
提案手法の性能は, 広く使用されている3つのデータセットで評価される。
ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
論文 参考訳（メタデータ） (2021-06-08T13:40:30Z) - Exploiting Emotional Dependencies with Graph Convolutional Networks for
Facial Expression Recognition [31.40575057347465]
本稿では,視覚における表情認識のためのマルチタスク学習フレームワークを提案する。
MTL設定において、離散認識と連続認識の両方のために共有特徴表現が学習される。
実験の結果,本手法は離散FER上での最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2021-06-07T10:20:05Z) - STAGE: Tool for Automated Extraction of Semantic Time Cues to Enrich
Neural Temporal Ordering Models [4.6150532698347835]
我々は,時系列を自動的に抽出し,それらをニューラルモデルとの統合に適した表現に変換するシステムSTAGEを開発した。
2つのイベントオーダーデータセットで有望な結果を実証し、セマンティックキュー表現と将来の研究の統合における重要な問題を強調します。
論文 参考訳（メタデータ） (2021-05-15T23:34:02Z) - A Multi-term and Multi-task Analyzing Framework for Affective Analysis
in-the-wild [0.2216657815393579]
本稿では,ABAW(Affective Behavior Analysis in-the-Wild)2020 Contestに提出された感情認識手法を紹介する。
感情行動には独自の時間枠を持つ観測可能な多くの特徴があるため、複数の最適化された時間窓を導入しました。
時間ごとの感情認識モデルを作成し、これらのモデルをまとめました。
論文 参考訳（メタデータ） (2020-09-29T09:24:29Z) - Modeling Inter-Aspect Dependencies with a Non-temporal Mechanism for
Aspect-Based Sentiment Analysis [70.22725610210811]
アスペクト間の依存関係をモデル化することでABSAタスクを強化するための新しい非時間的メカニズムを提案する。
我々は、ABSAタスクにおけるよく知られたクラス不均衡の問題に注目し、適切に分類されたインスタンスに割り当てられた損失を下げて対処する。
論文 参考訳（メタデータ） (2020-08-12T08:50:09Z) - Uncertainty Quantification for Deep Context-Aware Mobile Activity
Recognition and Unknown Context Discovery [85.36948722680822]
我々はα-βネットワークと呼ばれる深層モデルのコンテキスト認識混合を開発する。
高レベルの文脈を識別することで、精度とFスコアを10%向上させる。
トレーニングの安定性を確保するために、公開データセットと社内データセットの両方でクラスタリングベースの事前トレーニングを使用しました。
論文 参考訳（メタデータ） (2020-03-03T19:35:34Z)
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。