論文の概要: SS-MFAR : Semi-supervised Multi-task Facial Affect Recognition

• arxiv url: http://arxiv.org/abs/2207.09012v1
• Date: Tue, 19 Jul 2022 01:38:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 13:50:24.097121
• Title: SS-MFAR : Semi-supervised Multi-task Facial Affect Recognition
• Title（参考訳）: SS-MFAR : 半教師付きマルチタスク顔認識
• Authors: Darshan Gera, Badveeti Naveen Siva Kumar, Bobbili Veerendra Raj Kumar, S Balasubramanian
• Abstract要約: 本稿では,第4回ABAWコンペティションにおけるマルチタスク学習課題について紹介する。 本手法では,bftextSS-MFARと題する半教師型マルチタスク顔影響認識において,タスク毎のタスク固有分類器を備えた残差ネットワークを用いる。
• 参考スコア（独自算出の注目度）: 3.823356975862006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic affect recognition has applications in many areas such as education, gaming, software development, automotives, medical care, etc. but it is non trivial task to achieve appreciable performance on in-the-wild data sets. In-the-wild data sets though represent real-world scenarios better than synthetic data sets, the former ones suffer from the problem of incomplete labels. Inspired by semi-supervised learning, in this paper, we introduce our submission to the Multi-Task-Learning Challenge at the 4th Affective Behavior Analysis in-the-wild (ABAW) 2022 Competition. The three tasks that are considered in this challenge are valence-arousal(VA) estimation, classification of expressions into 6 basic (anger, disgust, fear, happiness, sadness, surprise), neutral, and the 'other' category and 12 action units(AU) numbered AU-\{1,2,4,6,7,10,12,15,23,24,25,26\}. Our method Semi-supervised Multi-task Facial Affect Recognition titled \textbf{SS-MFAR} uses a deep residual network with task specific classifiers for each of the tasks along with adaptive thresholds for each expression class and semi-supervised learning for the incomplete labels. Source code is available at https://github.com/1980x/ABAW2022DMACS.
• Abstract（参考訳）: 自動的感情認識は、教育、ゲーム、ソフトウェア開発、自動車、医療など、多くの分野で応用されているが、野生のデータセットで満足のいくパフォーマンスを達成することは自明な作業ではない。 in-the-wildデータセットは、合成データセットよりも現実のシナリオを表現するが、以前のデータセットは不完全ラベルの問題に悩まされる。 本稿では,第4回ABAW(Affective Behavior Analysis in-the-Wild)コンペティションにおけるマルチタスク学習課題について紹介する。 この課題で考慮されている3つのタスクは、valence-arousal(VA)推定、表現の6つの基本(不安、嫌悪感、恐怖、幸福、悲しみ、驚き)、中立、および12のアクションユニット(AU)とAU-\{1,2,4,6,7,10,12,15,23,24,25,26\}である。 本手法では,タスク毎のタスク固有分類器と,各表現クラスに対する適応しきい値と,不完全ラベルに対する半教師付き学習を併用した,深層残差ネットワークを用いた。 ソースコードはhttps://github.com/1980x/ABAW2022DMACSで入手できる。

関連論文リスト

• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• Identify ambiguous tasks combining crowdsourced labels by weighting Areas Under the Margin [13.437403258942716]
  曖昧なタスクは専門家の労働者を騙しかねない。 我々は、クラウドソースの学習シナリオにおいて、誤ってラベル付けされたデータを識別するために、AUM(Area Under the Margin)を適用する。 WAUMは、トレーニングセットからあいまいなタスクを捨てるのに役立ち、一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-30T11:16:20Z)
• 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)
• X-Learner: Learning Cross Sources and Tasks for Universal Visual Representation [71.51719469058666]
  本稿では,X-Learnerという表現学習フレームワークを提案する。 X-Learnerは、様々なソースによって管理される複数の視覚タスクの普遍的な特徴を学習する。 X-Learnerは、追加のアノテーションやモダリティ、計算コストを使わずに、様々なタスクで強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-16T17:23:26Z)
• 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)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Automated Self-Supervised Learning for Graphs [37.14382990139527]
  本研究の目的は、複数のプリテキストタスクを効果的に活用する方法を検討することである。 我々は、多くの実世界のグラフ、すなわちホモフィリーの鍵となる原理を、様々な自己教師付きプレテキストタスクを効果的に探索するためのガイダンスとして利用している。 本稿では,自己教師型タスクの組み合わせを自動的に検索するAutoSSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T03:09:20Z)
• Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
  マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。 我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。 大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
  論文  参考訳（メタデータ） (2021-05-08T22:26:52Z)
• Deep Multi-task Multi-label CNN for Effective Facial Attribute Classification [53.58763562421771]
  DMM-CNN(ディープ・マルチタスク・マルチラベル・CNN)による効果的な顔属性分類(FAC)を提案する。 具体的には、DMM-CNNは、2つの密接に関連するタスク(顔のランドマーク検出とFAC)を共同で最適化し、マルチタスク学習を活用することにより、FACの性能を向上させる。 2つの異なるネットワークアーキテクチャは2つの属性のグループの特徴を抽出するために設計され、トレーニング中に各顔属性に損失重みを自動的に割り当てる新しい動的重み付け方式が提案されている。
  論文  参考訳（メタデータ） (2020-02-10T12:34:16Z)
• Multitask Emotion Recognition with Incomplete Labels [7.811459544911892]
  我々は,顔行動単位の検出,表現分類,原子価-覚醒推定という3つのタスクを実行するために,統一モデルを訓練する。 既存のデータセットの多くは、3つのタスクのラベルを含まない。 学生のモデルのほとんどは、教師のモデルよりも3つのタスクで優れています。
  論文  参考訳（メタデータ） (2020-02-10T05:32:12Z)

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。