論文の概要: Emotion Recognition with Incomplete Labels Using Modified Multi-task
Learning Technique
- arxiv url: http://arxiv.org/abs/2107.04192v1
- Date: Fri, 9 Jul 2021 03:43:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 01:54:19.409654
- Title: Emotion Recognition with Incomplete Labels Using Modified Multi-task
Learning Technique
- Title(参考訳): 修正マルチタスク学習手法を用いた不完全ラベルによる感情認識
- Authors: Phan Tran Dac Thinh, Hoang Manh Hung, Hyung-Jeong Yang, Soo-Hyung Kim,
and Guee-Sang Lee
- Abstract要約: AffWild2データセットから7つの基本的な感情と12のアクションユニットの関連性を利用する手法を提案する。
2つの相関したタスクの知識を組み合わせることで、両方のパフォーマンスは1種類のラベルしか使用していないモデルと比較して大きなマージンで改善される。
- 参考スコア(独自算出の注目度): 8.012391782839384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The task of predicting affective information in the wild such as seven basic
emotions or action units from human faces has gradually become more interesting
due to the accessibility and availability of massive annotated datasets. In
this study, we propose a method that utilizes the association between seven
basic emotions and twelve action units from the AffWild2 dataset. The method
based on the architecture of ResNet50 involves the multi-task learning
technique for the incomplete labels of the two tasks. By combining the
knowledge for two correlated tasks, both performances are improved by a large
margin compared to those with the model employing only one kind of label.
- Abstract(参考訳): 人間の顔から7つの基本的な感情や行動単位などの感情情報を予測するタスクは、大量の注釈付きデータセットのアクセシビリティーと可用性により、徐々に興味深いものになりつつある。
本研究では、afwild2データセットから7つの基本的な感情と12のアクションユニットを関連付ける手法を提案する。
ResNet50のアーキテクチャに基づく手法は、2つのタスクの不完全なラベルに対するマルチタスク学習技術を含む。
2つの相関したタスクの知識を組み合わせることで、両方のパフォーマンスは1種類のラベルのみを使用するモデルと比較して大きなマージンで改善される。
関連論文リスト
- Cross-Task Inconsistency Based Active Learning (CTIAL) for Emotion Recognition [24.857301914941175]
本稿では,感情分類と推定のクロスタスク変換のための一貫性に基づく能動学習手法を提案する。
影響規範は先行知識として利用され、分類的感情と次元的感情のラベル空間を接続する。
コーパス内およびクロスコーパス転送の実験は、クロスタスクの不整合がアクティブラーニングにおいて非常に価値のある指標であることを示した。
論文 参考訳(メタデータ) (2024-12-02T06:23:46Z) - Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。
対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。
多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
論文 参考訳(メタデータ) (2024-11-27T20:20:06Z) - PDT: Pretrained Dual Transformers for Time-aware Bipartite Graphs [30.71271242109731]
本稿では,ユーザ側空間とコンテンツ側空間の双方向マッピングを学習する事前学習手法を提案する。
提案手法を推薦課題として評価する。
論文 参考訳(メタデータ) (2023-06-02T20:38:43Z) - Pre-training Multi-task Contrastive Learning Models for Scientific
Literature Understanding [52.723297744257536]
事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。
文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
論文 参考訳(メタデータ) (2023-05-23T16:47:22Z) - Relational Multi-Task Learning: Modeling Relations between Data and
Tasks [84.41620970886483]
マルチタスク学習における主要な前提は、推論時にモデルが与えられたデータポイントにのみアクセスできるが、他のタスクからのデータポイントのラベルにはアクセスできないことである。
ここでは、補助的なタスクからデータポイントラベルを活用してより正確な予測を行う、新しいリレーショナルマルチタスク学習環境を提案する。
私たちはMetaLinkを開発し、そこではデータポイントとタスクを接続するナレッジグラフを構築します。
論文 参考訳(メタデータ) (2023-03-14T07:15:41Z) - Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。
大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。
我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
論文 参考訳(メタデータ) (2022-04-08T03:37:56Z) - MEmoBERT: Pre-training Model with Prompt-based Learning for Multimodal
Emotion Recognition [118.73025093045652]
マルチモーダル感情認識のための事前学習モデル textbfMEmoBERT を提案する。
従来の「訓練前、微妙な」パラダイムとは異なり、下流の感情分類タスクをマスク付きテキスト予測として再構成するプロンプトベースの手法を提案する。
提案するMEMOBERTは感情認識性能を大幅に向上させる。
論文 参考訳(メタデータ) (2021-10-27T09:57:00Z) - Multitask Multi-database Emotion Recognition [1.52292571922932]
本稿では,第2回ABAW(Affective Behavior Analysis in-the-wild)2021コンペティションについて紹介する。
マルチデータベース上で2つのタスクを実行するために,統合ディープラーニングモデルをトレーニングする。
実験の結果,ネットワークはAffWild2データベースの検証セットにおいて有望な結果を得た。
論文 参考訳(メタデータ) (2021-07-08T21:57:58Z) - Weakly Supervised Multi-task Learning for Concept-based Explainability [3.441021278275805]
マルチタスク学習を活用して,意思決定タスクの予測を共同で学習するニューラルネットワークを訓練する。
克服すべき主な課題は、コンセプトラベルの不足と共同学習の2つです。
不均一な品質のラベルを組み合わせることで、両タスクのパフォーマンスを向上させることができることを示す。
論文 参考訳(メタデータ) (2021-04-26T10:42:19Z) - Adaptive Self-training for Few-shot Neural Sequence Labeling [55.43109437200101]
ニューラルシークエンスラベリングモデルにおけるラベル不足問題に対処する手法を開発した。
自己学習は、大量のラベルのないデータから学ぶための効果的なメカニズムとして機能する。
メタラーニングは、適応的なサンプル再重み付けにおいて、ノイズのある擬似ラベルからのエラー伝播を軽減するのに役立つ。
論文 参考訳(メタデータ) (2020-10-07T22:29:05Z)
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。