論文の概要: Learning Annotation Consensus for Continuous Emotion Recognition

• arxiv url: http://arxiv.org/abs/2505.21196v1
• Date: Tue, 27 May 2025 13:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.684424
• Title: Learning Annotation Consensus for Continuous Emotion Recognition
• Title（参考訳）: 連続感情認識のための学習アノテーション合意
• Authors: Ibrahim Shoer, Engin Erzin,
• Abstract要約: 感情コンピューティングでは、データセットには異なるアノテーションからの複数のアノテーションが含まれることが多く、完全な合意が欠落している可能性がある。 本稿では,すべてのアノテータに対してコンセンサスを求める連続感情認識(CER)のためのマルチアノテータトレーニング手法を提案する。 提案手法では,アノテーションを統一表現に集約するコンセンサスネットワークを用いて,主覚醒値予測器を誘導し,集合的な入力をよりよく反映する。
• 参考スコア（独自算出の注目度）: 6.944372188747803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In affective computing, datasets often contain multiple annotations from different annotators, which may lack full agreement. Typically, these annotations are merged into a single gold standard label, potentially losing valuable inter-rater variability. We propose a multi-annotator training approach for continuous emotion recognition (CER) that seeks a consensus across all annotators rather than relying on a single reference label. Our method employs a consensus network to aggregate annotations into a unified representation, guiding the main arousal-valence predictor to better reflect collective inputs. Tested on the RECOLA and COGNIMUSE datasets, our approach outperforms traditional methods that unify annotations into a single label. This underscores the benefits of fully leveraging multi-annotator data in emotion recognition and highlights its applicability across various fields where annotations are abundant yet inconsistent.
• Abstract（参考訳）: 感情コンピューティングでは、データセットには異なるアノテーションからの複数のアノテーションが含まれることが多く、完全な合意が欠落している可能性がある。 通常、これらのアノテーションは単一のゴールド標準ラベルにマージされ、価値あるラター間の変動が失われる可能性がある。 単一参照ラベルに頼るのではなく,すべてのアノテータに対してコンセンサスを求める,連続感情認識のためのマルチアノテータトレーニング手法を提案する。 提案手法では,アノテーションを統一表現に集約するコンセンサスネットワークを用いて,主覚醒値予測器を誘導し,集合的な入力をよりよく反映する。 RECOLAとCOGNIMUSEデータセットでテストした結果、アノテーションを単一のラベルに統一する従来の手法よりも優れています。 このことは、感情認識におけるマルチアノテーションデータの完全活用の利点を浮き彫りにし、アノテーションが豊富で一貫性のないさまざまな分野に適用性を強調している。

関連論文リスト

• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• Tailor Versatile Multi-modal Learning for Multi-label Emotion Recognition [7.280460748655983]
  マルチモーダルマルチラベル感情認識(MMER)は、異種視覚、音声、テキストのモダリティから様々な人間の感情を識別することを目的としている。 従来の手法は主に、複数のモダリティを共通の潜在空間に投影し、すべてのラベルに対して同じ表現を学ぶことに焦点を当てていた。 マルチモーダル表現を改良し,各ラベルの識別能力を高めることを目的とした,マルチモーダル音声認識(TAILOR)のための多目的マルチモーダル学習を提案する。
  論文  参考訳（メタデータ） (2022-01-15T12:02:28Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)

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。