論文の概要: Affective Behavior Analysis using Task-adaptive and AU-assisted Graph Network

• arxiv url: http://arxiv.org/abs/2407.11663v1
• Date: Tue, 16 Jul 2024 12:33:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 15:02:09.556586
• Title: Affective Behavior Analysis using Task-adaptive and AU-assisted Graph Network
• Title（参考訳）: タスク適応型およびAU支援型グラフネットワークを用いた影響行動解析
• Authors: Xiaodong Li, Wenchao Du, Hongyu Yang,
• Abstract要約: 本稿では,第7回ABAW7コンペティションにおけるマルチタスク学習課題に対する解決策と実験結果について述べる。 この課題は、アクション単位の検出、表情認識、および原子価-覚醒推定の3つのタスクから構成される。
• 参考スコア（独自算出の注目度）: 18.304164382834617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present our solution and experiment result for the Multi-Task Learning Challenge of the 7th Affective Behavior Analysis in-the-wild(ABAW7) Competition. This challenge consists of three tasks: action unit detection, facial expression recognition, and valance-arousal estimation. We address the research problems of this challenge from three aspects: 1)For learning robust visual feature representations, we introduce the pre-trained large model Dinov2. 2) To adaptively extract the required features of eack task, we design a task-adaptive block that performs cross-attention between a set of learnable query vectors and pre-extracted features. 3) By proposing the AU-assisted Graph Convolutional Network(AU-GCN), we make full use of the correlation information between AUs to assist in solving the EXPR and VA tasks. Finally, we achieve the evaluation measure of \textbf{1.2542} on the validation set provided by the organizers.
• Abstract（参考訳）: 本稿では,第7回感情行動分析コンテスト(ABAW7)におけるマルチタスク学習課題に対する解決策と実験結果について述べる。 この課題は、アクション単位の検出、表情認識、および原子価-覚醒推定の3つのタスクから構成される。 1)頑健な視覚的特徴表現の学習には,事前学習した大型モデルDinov2を導入する。 2) eack タスクの必要な特徴を適応的に抽出するために,学習可能なクエリベクトルの集合と事前抽出された特徴との間のクロスアテンションを行うタスク適応ブロックを設計する。 3) AU-assisted Graph Convolutional Network(AU-GCN)を提案することにより,EXPRタスクとVAタスクの解決を支援するために,AU間の相関情報をフル活用する。 最後に, オーガナイザが提供した検証セットに対して, textbf{1.2542} の評価値を得る。

関連論文リスト

• Affective Behaviour Analysis via Progressive Learning [23.455163723584427]
  本稿では,2つの競合トラックに対する提案手法と実験結果について述べる。 Masked-Autoを自己指導で訓練し、高品質な顔機能を実現する。 カリキュラム学習を利用して、モデルを単一の表現の認識から複合表現の認識へ移行する。
  論文  参考訳（メタデータ） (2024-07-24T02:24:21Z)
• QuIIL at T3 challenge: Towards Automation in Life-Saving Intervention Procedures from First-Person View [2.3982875575861677]
  そこで我々は,Trauma THOMPSON (T3) Challengeにおける省力化介入手順における,多種多様な自動化タスクに対する解決策を提案する。 動作認識と予測のために,複数の入力を1つの画像にサンプリング・縫合する前処理戦略を提案する。 トレーニングのために,アクション辞書誘導型設計を提案する。
  論文  参考訳（メタデータ） (2024-07-18T06:55:26Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)
• Task Formulation Matters When Learning Continually: A Case Study in Visual Question Answering [58.82325933356066]
  継続的な学習は、以前の知識を忘れずに、一連のタスクでモデルを漸進的にトレーニングすることを目的としている。 本稿では,視覚的質問応答において,異なる設定がパフォーマンスに与える影響について詳細に検討する。
  論文  参考訳（メタデータ） (2022-09-30T19:12:58Z)
• Identifying Auxiliary or Adversarial Tasks Using Necessary Condition Analysis for Adversarial Multi-task Video Understanding [34.75145779372538]
  本稿では,モデルが適切に動作すべき補助タスクと,モデルがうまく動作すべきでない逆タスクの両方を組み込むことで,マルチタスク学習の一般化概念を提案する。 提案する新たなフレームワークであるAMT(Adversarial Multi-Task Neural Networks)は,NAAがシーン認識であると判断した敵タスクをペナルティ化する。 提案手法は, 精度を3%向上させるとともに, 相関バイアスのシーン特徴ではなく, アクション特徴への参画を促す。
  論文  参考訳（メタデータ） (2022-08-22T06:26:11Z)
• Multi-task Cross Attention Network in Facial Behavior Analysis [7.910908058662372]
  本研究は, 実環境における感情行動分析におけるマルチタスク学習の課題に対する解決策を提案する。 課題は、アクション単位の検出、表情認識、および原子価-覚醒推定の3つのタスクの組み合わせである。 マルチタスク学習性能向上のためのクロスアテンテートモジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-21T04:07:07Z)
• On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
  本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。 これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
  論文  参考訳（メタデータ） (2022-01-11T09:44:00Z)
• Achieving Human Parity on Visual Question Answering [67.22500027651509]
  The Visual Question Answering (VQA) task using both visual image and language analysis to answer a textual question to a image。 本稿では,人間がVQAで行ったのと同じような,あるいは少しでも良い結果が得られるAliceMind-MMUに関する最近の研究について述べる。 これは,(1)包括的視覚的・テキスト的特徴表現による事前学習,(2)参加する学習との効果的な相互モーダル相互作用,(3)複雑なVQAタスクのための専門的専門家モジュールを用いた新たな知識マイニングフレームワークを含む,VQAパイプラインを体系的に改善することで達成される。
  論文  参考訳（メタデータ） (2021-11-17T04:25:11Z)
• Winning the ICCV'2021 VALUE Challenge: Task-aware Ensemble and Transfer Learning with Visual Concepts [20.412239939287886]
  VALUE(Video-And-Language Understanding Evaluation)ベンチマークが新たに導入され,マルチモーダル表現学習アルゴリズムの評価と解析が行われている。 VALUEの課題の主な目的は、異なる特徴を持つ様々なタスクに同時に適用可能なタスクに依存しないモデルをトレーニングすることである。 本稿では,1)単一モデル最適化,2)視覚概念を用いた伝達学習,3)タスク認識アンサンブルについて述べる。
  論文  参考訳（メタデータ） (2021-10-13T03:50:07Z)
• Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
  教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。 本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。 さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
  論文  参考訳（メタデータ） (2021-05-17T13:42:09Z)
• Dealing with Missing Modalities in the Visual Question Answer-Difference Prediction Task through Knowledge Distillation [75.1682163844354]
  我々は,視覚的質問応答拡散予測タスクから生じる欠落モダリティの問題に対処する。 本稿では,イメージ/質問/回答トリプレットを入力として,ベースラインを上回る「大きな」教師モデルを紹介する。
  論文  参考訳（メタデータ） (2021-04-13T06:41:11Z)

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。