論文の概要: High Semantic Features for the Continual Learning of Complex Emotions: a Lightweight Solution

• arxiv url: http://arxiv.org/abs/2510.13534v1
• Date: Wed, 15 Oct 2025 13:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.67853
• Title: High Semantic Features for the Continual Learning of Complex Emotions: a Lightweight Solution
• Title（参考訳）: 複雑な感情の連続学習のための高意味的特徴:軽量解法
• Authors: Thibault Geoffroy, gauthier Gerspacher, Lionel Prevost,
• Abstract要約: 本稿では、複雑な感情認識に焦点を当て、まず基本的な感情を学習し、次に、人間のように、複雑な感情を漸進的に学習する。 顔面筋運動を記述したアクションユニットは、浅部と深部の両方の畳み込みニューラルネットワークによって抽出された動作より優れる非過渡的、高度に意味的な特徴である。 この能力により,CFEEデータセットの精度0.75の複合感情を漸進的に複雑に学習する際の興味深い結果が得られ,最先端の結果と良好に比較できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental learning is a complex process due to potential catastrophic forgetting of old tasks when learning new ones. This is mainly due to transient features that do not fit from task to task. In this paper, we focus on complex emotion recognition. First, we learn basic emotions and then, incrementally, like humans, complex emotions. We show that Action Units, describing facial muscle movements, are non-transient, highly semantical features that outperform those extracted by both shallow and deep convolutional neural networks. Thanks to this ability, our approach achieves interesting results when learning incrementally complex, compound emotions with an accuracy of 0.75 on the CFEE dataset and can be favorably compared to state-of-the-art results. Moreover, it results in a lightweight model with a small memory footprint.
• Abstract（参考訳）: 増分学習は、新しいタスクを学習する際に古いタスクを破滅的に忘れてしまう可能性があるため、複雑なプロセスである。 これは主に、タスクからタスクへ適合しない一時的な機能に起因する。 本稿では,複雑な感情認識に焦点を当てる。 まず、基本的な感情を学び、それから徐々に、人間のように複雑な感情を学びます。 顔面筋運動を記述したアクションユニットは、浅部と深部の両方の畳み込みニューラルネットワークによって抽出された動作より優れる非過渡的、高度に意味的な特徴である。 この能力により,CFEEデータセットの精度0.75の複合感情を漸進的に複雑に学習する際の興味深い結果が得られ,最先端の結果と良好に比較できる。 さらに、メモリフットプリントが小さい軽量モデルも実現している。

関連論文リスト

• UniEmo: Unifying Emotional Understanding and Generation with Learnable Expert Queries [61.5273479616832]
  感情的理解と生成をシームレスに統合する統合フレームワークを提案する。 我々は,UniEmoが感情的理解と生成の両タスクにおいて,最先端の手法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-31T09:39:27Z)
• Modelling Emotions in Face-to-Face Setting: The Interplay of Eye-Tracking, Personality, and Temporal Dynamics [1.4645774851707578]
  本研究では、視線追跡データ、時間的ダイナミクス、性格特性を統合することで、知覚と知覚の両方の感情の検出を大幅に向上させる方法について述べる。 本研究は,将来の情緒コンピューティングと人間エージェントシステムの設計を示唆するものである。
  論文  参考訳（メタデータ） (2025-03-18T13:15:32Z)
• learning discriminative features from spectrograms using center loss for speech emotion recognition [62.13177498013144]
  本稿では,感情認識のための可変長スペクトログラムから識別特徴を学習するための新しい手法を提案する。 ソフトマックスのクロスエントロピー損失は、異なる感情カテゴリの特徴を分離可能とし、センターロスは、同じ感情カテゴリに属する特徴をその中心に効率的に引き出す。
  論文  参考訳（メタデータ） (2025-01-02T06:52:28Z)
• Self-supervised Gait-based Emotion Representation Learning from Selective Strongly Augmented Skeleton Sequences [4.740624855896404]
  自己教師型歩行に基づく感情表現のための選択的強強化を利用したコントラスト学習フレームワークを提案する。 提案手法はEmotion-Gait (E-Gait) と Emilya のデータセットで検証され, 異なる評価プロトコル下での最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-05-08T09:13:10Z)
• Exploring Emotions in Multi-componential Space using Interactive VR Games [1.1510009152620668]
  インタラクティブバーチャルリアリティ(VR)ゲームを用いたデータ駆動型アプローチを運用した。 機械学習(ML)手法を用いて、各コンポーネントの感情分化に対するユニークな貢献を識別した。 これらの知見は、感情研究におけるVR環境の利用にも影響する。
  論文  参考訳（メタデータ） (2024-04-04T06:54:44Z)
• Implementation of AI Deep Learning Algorithm For Multi-Modal Sentiment Analysis [0.9065034043031668]
  2チャンネル畳み込みニューラルネットワークとリングネットワークを組み合わせることで,マルチモーダル感情認識手法を確立した。 単語はGloVeでベクトル化され、ワードベクトルは畳み込みニューラルネットワークに入力される。
  論文  参考訳（メタデータ） (2023-11-19T05:49:39Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• Leveraging Recent Advances in Deep Learning for Audio-Visual Emotion Recognition [2.1485350418225244]
  人間の行動分析のために, 自発的なマルチモーダル感情認識が広く研究されている。 視聴覚感情認識のための深層学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:49:15Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。