論文の概要: Technical Report for Valence-Arousal Estimation in ABAW2 Challenge
- arxiv url: http://arxiv.org/abs/2107.03891v1
- Date: Thu, 8 Jul 2021 15:21:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:33:31.863910
- Title: Technical Report for Valence-Arousal Estimation in ABAW2 Challenge
- Title(参考訳): ABAW2チャレンジにおける妥当性評価技術報告
- Authors: Hong-Xia Xie, I-Hsuan Li, Ling Lo, Hong-Han Shuai, and Wen-Huang Cheng
- Abstract要約: 我々は,ABAW2 ICCV-2021コンペティションの原子価-覚醒推定問題に取り組む。
コンペティションのオーガナイザは、参加者が実生活環境で感情的な振る舞いを分析するために、ワイルドなAff-Wild2データセットを提供する。
我々は2つのストリームモデルを用いて、それぞれ外見と行動から感情の特徴を学習する。
- 参考スコア(独自算出の注目度): 20.90072006477564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we describe our method for tackling the valence-arousal
estimation challenge from ABAW2 ICCV-2021 Competition. The competition
organizers provide an in-the-wild Aff-Wild2 dataset for participants to analyze
affective behavior in real-life settings. We use a two stream model to learn
emotion features from appearance and action respectively. To solve data
imbalanced problem, we apply label distribution smoothing (LDS) to re-weight
labels. Our proposed method achieves Concordance Correlation Coefficient (CCC)
of 0.591 and 0.617 for valence and arousal on the validation set of Aff-wild2
dataset.
- Abstract(参考訳): 本稿では, abaw2 iccv-2021 コンペティションにおけるvalence-arousal estimation challenge への取り組みについて述べる。
コンペティションオーガナイザーは、参加者が実生活で情緒行動を分析するために、wild内のaf-wild2データセットを提供する。
2つのストリームモデルを用いて、それぞれ外見と行動から感情の特徴を学習する。
データ不均衡問題を解決するため,ラベル再重み付けにラベル分散平滑化(LDS)を適用した。
提案手法は, Aff-wild2データセットの検証セットに基づいて, 0.591と0.617の一致相関係数(CCC)を実現する。
関連論文リスト
- Twice Class Bias Correction for Imbalanced Semi-Supervised Learning [59.90429949214134]
textbfTwice textbfClass textbfBias textbfCorrection (textbfTCBC) と呼ばれる新しいアプローチを導入する。
トレーニング過程におけるモデルパラメータのクラスバイアスを推定する。
非ラベル標本に対してモデルの擬似ラベルに二次補正を適用する。
論文 参考訳(メタデータ) (2023-12-27T15:06:36Z) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳(メタデータ) (2023-10-09T11:44:50Z) - Breaking the Spurious Causality of Conditional Generation via Fairness
Intervention with Corrective Sampling [77.15766509677348]
条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。
これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。
この問題を緩和するための一般的な2段階戦略を提案する。
論文 参考訳(メタデータ) (2022-12-05T08:09:33Z) - Adaptive Ranking-based Sample Selection for Weakly Supervised
Class-imbalanced Text Classification [4.151073288078749]
本稿では、適応ランク付けに基づくサンプル選択(ARS2)を提案し、弱い監視(WS)パラダイムにおけるデータ不均衡問題を緩和する。
ARS2は、現在のモデルの出力に基づいて確率的マージンスコアを算出し、各データポイントの清潔度を測定し、ランク付けする。
実験の結果、ARS2は最先端の非バランスな学習方法やWSメソッドよりも優れており、F1スコアの2%-57.8%の改善につながった。
論文 参考訳(メタデータ) (2022-10-06T17:49:22Z) - Multi-modal Emotion Estimation for in-the-wild Videos [40.292523976091964]
本稿では,第3回ABAW(Affective Behavior Analysis in-the-wild)コンペティションにおけるValence-Arousal Estimation Challengeについて紹介する。
本手法では,マルチモーダル情報,すなわち視覚情報と音声情報を利用し,時間エンコーダを用いて映像の時間コンテキストをモデル化する。
論文 参考訳(メタデータ) (2022-03-24T12:23:07Z) - Adversarial Dual-Student with Differentiable Spatial Warping for
Semi-Supervised Semantic Segmentation [70.2166826794421]
本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。
また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。
我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
論文 参考訳(メタデータ) (2022-03-05T17:36:17Z) - Analysing Affective Behavior in the second ABAW2 Competition [70.86998050535944]
ABAW2 2021コンペティションは、IEEE FG 2020-コンペティションと共同で開催された最初の非常に成功したABAWコンペティションに続く第2回である。
論文 参考訳(メタデータ) (2021-06-14T11:30:19Z) - Technical Report for Valence-Arousal Estimation on Affwild2 Dataset [0.0]
abaw fg-2020 コンペティションにおけるvalence-arousal estimation challenge に取り組む。
マイクロモーションとマクロモーションの情報を得るために、MIMAMO Net quoteeng 2020mimamoモデルを使用します。
論文 参考訳(メタデータ) (2021-05-04T14:00:07Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z) - Affective Expression Analysis in-the-wild using Multi-Task Temporal
Statistical Deep Learning Model [6.024865915538501]
上記の課題に対処する感情表現分析モデルを提案する。
ABAW Challengeのための大規模データセットであるAff-Wild2データセットを実験した。
論文 参考訳(メタデータ) (2020-02-21T04:06:03Z)
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。