論文の概要: Multi-scale Transformer-based Network for Emotion Recognition from Multi Physiological Signals

• arxiv url: http://arxiv.org/abs/2305.00769v2
• Date: Mon, 8 May 2023 00:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 19:58:45.095429
• Title: Multi-scale Transformer-based Network for Emotion Recognition from Multi Physiological Signals
• Title（参考訳）: マルチスケールトランスフォーマーを用いた多生理信号からの感情認識ネットワーク
• Authors: Tu Vu and Van Thong Huynh and Soo-Hyung Kim
• Abstract要約: 本稿では,生理学的データから感情認識を行うためのマルチスケールトランスフォーマーを用いた効率的な手法を提案する。 我々のアプローチは、内部信号と人間の感情の関係を確立するために、データのスケーリングと組み合わせたマルチモーダル手法を適用することである。 EPiCコンペティションのCASEデータセットでは,RMSEスコアが1.45。
• 参考スコア（独自算出の注目度）: 11.479653866646762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an efficient Multi-scale Transformer-based approach for the task of Emotion recognition from Physiological data, which has gained widespread attention in the research community due to the vast amount of information that can be extracted from these signals using modern sensors and machine learning techniques. Our approach involves applying a Multi-modal technique combined with scaling data to establish the relationship between internal body signals and human emotions. Additionally, we utilize Transformer and Gaussian Transformation techniques to improve signal encoding effectiveness and overall performance. Our model achieves decent results on the CASE dataset of the EPiC competition, with an RMSE score of 1.45.
• Abstract（参考訳）: 本稿では,現代のセンサと機械学習技術を用いて,これらの信号から抽出される膨大な情報によって,研究コミュニティで広く注目を集めている生理的データから感情認識を行うための,効率的なマルチスケールトランスフォーマー手法を提案する。 我々のアプローチは、内部信号と人間の感情の関係を確立するために、データのスケーリングと組み合わせたマルチモーダル手法を適用することである。 さらに、トランスフォーマおよびガウス変換技術を用いて信号符号化の有効性と全体的な性能を向上させる。 我々のモデルは、epicコンペティションのケースデータセットで、rmseスコア1.45でまともな結果を得る。

関連論文リスト

• CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
  本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。 具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。 また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-25T01:27:35Z)
• BRIEDGE: EEG-Adaptive Edge AI for Multi-Brain to Multi-Robot Interaction [4.815698105652729]
  BRIEDGEは、EEG適応型ニューラルネットワークと符号化復号通信フレームワークを通じて、マルチ脳からマルチロボットインタラクションのためのエンドツーエンドシステムである。 符号化復号通信フレームワークは、EEGベースのセマンティック情報をエンコードし、データ転送の過程でコマンドに復号する。 実験の結果,BRIEDGEは異種脳波データの最適分類精度と,雑音環境下でのより安定した性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-03-14T15:43:48Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• CIT-EmotionNet: CNN Interactive Transformer Network for EEG Emotion Recognition [6.208851183775046]
  我々はCIT-EmotionNetとして知られる脳波認識のための新しいCNN Interactive Transformer Networkを提案する。 我々は、生の脳波信号を入力として空間周波数表現に変換し、その後、コンボリューショナルニューラルネットワーク(CNN)とトランスフォーマーを1つのフレームワークに並列に統合する。 提案されたCIT-EmotionNetは最先端の手法より優れており、2つの公開データセットで平均認識精度98.57%と92.09%を達成している。
  論文  参考訳（メタデータ） (2023-05-07T16:27:09Z)
• Self-Supervised Multimodal Fusion Transformer for Passive Activity Recognition [2.35066982314539]
  Wi-Fi信号は、医療などの分野において、人間の知覚と活動認識に重要な機会を提供する。 現在のシステムでは、複数のセンサーから取得した情報を効果的に利用して、異なるアクティビティを認識することはできない。 本稿では,マルチモーダル・マルチセンサ融合のための注意モデルであるFusion Transformerを提案する。
  論文  参考訳（メタデータ） (2022-08-15T15:38:10Z)
• A Hybrid Complex-valued Neural Network Framework with Applications to Electroencephalogram (EEG) [16.578387039499386]
  提案したニューラルネットワークアーキテクチャは、複雑な値を持つ畳み込み層と、2つの実値を持つ畳み込み層と、完全に接続された3つの層から構成される。 2つの模擬脳波信号とベンチマークデータセットを用いてアプローチを検証し、広く使われている2つのフレームワークと比較する。
  論文  参考訳（メタデータ） (2022-07-28T00:51:07Z)
• Transformer-Based Self-Supervised Learning for Emotion Recognition [0.0]
  心電図(ECG)を感情認識に利用するトランスフォーマーモデルを提案する。 感情ラベル付きデータセットの比較的小さなサイズを克服するために,自己教師型学習を採用する。 AMIGOSの心電図信号を用いた感情認識の最先端性能を示す。
  論文  参考訳（メタデータ） (2022-04-08T07:14:55Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)

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。