Fugu-MT 論文翻訳(概要): Spatial-temporal Transformer for Affective Behavior Analysis

論文の概要: Spatial-temporal Transformer for Affective Behavior Analysis

arxiv url: http://arxiv.org/abs/2303.10561v1
Date: Sun, 19 Mar 2023 04:34:17 GMT
ステータス: 処理完了
システム内更新日: 2023-03-21 18:30:44.464268
Title: Spatial-temporal Transformer for Affective Behavior Analysis
Title（参考訳）: 感情行動分析のための時空間変圧器
Authors: Peng Zou, Rui Wang, Kehua Wen, Yasi Peng and Xiao Sun
Abstract要約: 空間的特徴と時間的特徴の両方の分布を学習するために,マルチヘッド注意フレームワークを用いたトランスフォーマーを提案する。その結果、Aff-Wild2データセットに基づく提案モデルの有効性が明らかとなった。
参考スコア（独自算出の注目度）: 11.10521339384583
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The in-the-wild affective behavior analysis has been an important study. In this paper, we submit our solutions for the 5th Workshop and Competition on Affective Behavior Analysis in-the-wild (ABAW), which includes V-A Estimation, Facial Expression Classification and AU Detection Sub-challenges. We propose a Transformer Encoder with Multi-Head Attention framework to learn the distribution of both the spatial and temporal features. Besides, there are virious effective data augmentation strategies employed to alleviate the problems of sample imbalance during model training. The results fully demonstrate the effectiveness of our proposed model based on the Aff-Wild2 dataset.
Abstract（参考訳）: 野生の感情行動分析は重要な研究である。本稿では,第5回ワークショップにおいて,v-a推定,表情分類,au検出サブチャングを含む感情的行動分析(abaw)に関するソリューションを提示する。空間的特徴と時間的特徴の両方の分布を学習するためのマルチヘッドアテンションフレームワークを備えたトランスフォーマーエンコーダを提案する。さらに、モデルトレーニング中のサンプル不均衡の問題を軽減するために、有効なデータ拡張戦略が採用されている。 aff-wild2データセットに基づく提案モデルの有効性を完全に実証した。

関連論文リスト

Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
論文参考訳（メタデータ） (2024-10-02T07:14:26Z)
Most Influential Subset Selection: Challenges, Promises, and Beyond [9.479235005673683]
我々は,最も集団的影響の大きいトレーニングサンプルのサブセットを特定することを目的とした,MISS(Most Influential Subset Selection)問題について検討する。我々は、MISにおける一般的なアプローチを包括的に分析し、その強みと弱点を解明する。本稿では,これらを反復的に適用した適応バージョンが,試料間の相互作用を効果的に捕捉できることを実証する。
論文参考訳（メタデータ） (2024-09-25T20:00:23Z)
Outlier Gradient Analysis: Efficiently Identifying Detrimental Training Samples for Deep Learning Models [36.05242956018461]
本稿では,影響関数と外乱勾配検出による有害トレーニングサンプルの同定とを橋渡しする。まず, 合成データセットにおける外乱勾配解析手法の仮説を検証した。次に、視覚モデルにおける誤ラベルサンプルの検出と、自然言語処理トランスフォーマーモデルの性能向上のためのデータサンプル選択の有効性を示す。
論文参考訳（メタデータ） (2024-05-06T21:34:46Z)
SA-Attack: Improving Adversarial Transferability of Vision-Language Pre-training Models via Self-Augmentation [56.622250514119294]
ホワイトボックスの敵攻撃とは対照的に、転送攻撃は現実世界のシナリオをより反映している。本稿では,SA-Attackと呼ばれる自己拡張型転送攻撃手法を提案する。
論文参考訳（メタデータ） (2023-12-08T09:08:50Z)
Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
学びアクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。能動学習問題の対称性と独立性を利用した新しい分類法を提案する。私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文参考訳（メタデータ） (2023-09-11T14:16:37Z)
On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
論文参考訳（メタデータ） (2023-05-20T16:23:50Z)
Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
論文参考訳（メタデータ） (2022-08-26T19:50:46Z)
A Multi-task Mean Teacher for Semi-supervised Facial Affective Behavior Analysis [15.95010869939508]
TSAVのような既存の感情行動分析手法は、不完全なラベル付きデータセットの課題に悩まされている。本稿では, 半教師付き感情行動分析のためのマルチタスク平均教師モデルを提案する。評価データセットの実験結果から,本手法はTSAVモデルよりも優れた性能を示すことが示された。
論文参考訳（メタデータ） (2021-07-09T05:48:22Z)
On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
論文参考訳（メタデータ） (2020-06-15T13:50:23Z)
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)
Adversarial-based neural networks for affect estimations in the wild [3.3335236123901995]
本研究では,本研究で提案した対戦型ネットワークによる潜在機能の利用について検討する。具体的には,判別器にいくつかのモードをアグリゲートすることで,生成器が抽出した潜在特性にさらに適応する。最近リリースされたSEWAデータセットの実験は、結果の進歩的な改善を示唆している。
論文参考訳（メタデータ） (2020-02-03T16:52:49Z)

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。