論文の概要: Rethinking the Role of Feature Engineering and Learning Strategies in Few-Shot Hidden Emotion Recognition
- arxiv url: http://arxiv.org/abs/2606.31249v1
- Date: Tue, 30 Jun 2026 07:25:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.113722
- Title: Rethinking the Role of Feature Engineering and Learning Strategies in Few-Shot Hidden Emotion Recognition
- Title（参考訳）: 隠れた感情認識における特徴工学と学習方略の役割の再考
- Abstract要約: 本研究チームは,第4回EI-MIGA-IJCAIチャレンジのトラック3において,テスト精度0.76923で1位となったXInsight Labを開発した。
本稿では,前回のコンペから入賞ソリューションを拡張し,コンパクトなマルチモーダル時間モデリングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 25.08643758348295
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present the solution developed by our team, XInsight Lab, which achieved first place in Track 3 of the 4th EI-MIGA-IJCAI Challenge with a test accuracy of 0.76923. To address the challenge of weak and sparse implicit emotion evidence in long videos, this paper extends the winning solution from the previous competition and proposes a compact multi-modal temporal modeling framework. The framework integrates and evaluates the effects of multi-source features, including 2D/3D skeletons, facial expression Blendshapes, DINOv2/v3 vision foundation models, X-CLIP video features, and Gemini semantic priors. Architecturally, we propose a cross-attention mechanism that utilizes static pose features, denoted as Base, as the Query and dynamic micro-motion differential features, denoted as Offset, as the Key and Value. By capturing local relative velocities, this mechanism eliminates static biases related to individual body shape and identity. Concurrently, an adaptive pooling method based on Multiple Instance Learning is employed to extract instantaneous emotions while suppressing background noise in long sequences. Finally, the paper reveals the representation collapse phenomenon of general vision foundation models in micro-dynamic tasks, and analyzes the underlying mechanisms where networks fall into public-leaderboard-driven pseudo-generalization due to shortcut learning and rote memorization.
- Abstract（参考訳）: 本稿では,第4回EI-MIGA-IJCAIチャレンジのトラック3において,テスト精度0.76923で1位を獲得したチームXInsight Labのソリューションを提案する。
長編ビデオにおける暗黙的感情証拠の弱さと希薄化の課題に対処するため,本稿では,前回大会の勝訴ソリューションを拡張し,コンパクトなマルチモーダル時間モデルフレームワークを提案する。
このフレームワークは、2D/3Dスケルトン、表情Blendshapes、DINOv2/v3視覚基盤モデル、X-CLIPビデオ機能、ジェミニセマンティックプリエントなど、マルチソース機能の影響を統合し評価する。
アーキテクチャ上,静的ポーズ機能(Base)をクエリとして,動的マイクロモーション差分機能(Offset)をキー・アンド・バリュー(Key and Value)として利用するクロスアテンション機構を提案する。
局所的な相対速度を捉えることで、このメカニズムは個々の身体の形やアイデンティティに関連する静的なバイアスを取り除く。
同時に、複数インスタンス学習に基づく適応的なプーリング手法を用いて、長いシーケンスの背景雑音を抑えながら、瞬時に感情を抽出する。
最後に,マイクロダイナミックタスクにおける一般ビジョン基盤モデルの表現崩壊現象を明らかにし,ショートカット学習やロート記憶によるネットワークの公開リーダ駆動型擬似一般化へ陥るメカニズムを解析した。
関連論文リスト
- Dynamic-Robust Photometric-Semantic Reconstruction for Open-Vocabulary 3D Scene Understanding [63.599342750566485]
SPARは、潜在空間アグリゲーションの前に過渡的ダイナミックノイズを明示的に分離する新しい意味幾何学的エンコーディングアーキテクチャである。
エンド・ツー・エンドのアプローチは例外的な新規なビュー合成品質を実現し、PSNRは22.15dB、23.33dBでそれぞれ3と4の入力ビューしか与えられなかった。
論文 参考訳（メタデータ） (2026-08-29T09:58:24Z) - DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。
特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。
提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
論文 参考訳（メタデータ） (2026-06-05T16:14:39Z) - HVD: Human Vision-Driven Video Representation Learning for Text-Video Retrieval [11.757493828625869]
人間ビジョン駆動(Human Vision-Driven, HVD)モデルは、人間の視覚的な焦点を捉え、最先端のパフォーマンスを達成する。
本フレームワークは,2つのキーコンポーネントから構成される粗大なアライメント機構を確立する。
5つのベンチマークの実験では、HVDは人間のような視覚的焦点をキャプチャするだけでなく、最先端のパフォーマンスも達成している。
論文 参考訳（メタデータ） (2026-01-22T17:57:42Z) - Brain-Semantoks: Learning Semantic Tokens of Brain Dynamics with a Self-Distilled Foundation Model [0.27528170226206433]
本稿では,脳力学の抽象表現を学習するための自己教師型フレームワークであるBrain-Semantoksを紹介する。
そのアーキテクチャは、2つの中核的なイノベーションの上に構築されている。これは、雑音の多い地域信号を機能的ネットワークを表す堅牢なトークンに集約するセマンティックトークンライザである。
線形プローブのみを用いても,学習した表現は様々な下流タスクにおいて高い性能を発揮することを示す。
論文 参考訳（メタデータ） (2025-12-12T14:11:20Z) - DIANet: A Phase-Aware Dual-Stream Network for Micro-Expression Recognition via Dynamic Images [0.0]
マイクロ表現は短く、不随意的な顔の動きであり、通常は半秒未満で、しばしば本物の感情を表わす。
本稿では、位相認識動的画像を利用する新しいデュアルストリームフレームワークDIANetを提案する。
3つのベンチマークMERデータセットを用いて行った実験は、提案手法が従来の単相DIベースのアプローチよりも一貫して優れていることを示した。
論文 参考訳（メタデータ） (2025-10-14T07:15:29Z) - Beyond Pixels: Introducing Geometric-Semantic World Priors for Video-based Embodied Models via Spatio-temporal Alignment [2.9493863710375674]
VEMEは、未知の環境における複雑なタスクのためのディープラーニングモデルにおいて、人間のような推論を実現するための新しい方法である。
本フレームワークは,(1)オブジェクト,空間表現,視覚的意味論を時間的手がかりでブリッジするクロスランゲージアライメントフレームワーク,(2)タスク関連メモリリコールを可能にする動的で暗黙的な認知活性化世界埋め込み,(3)長期計画と効率的な探索のための指示に基づくナビゲーションと推論の3つの重要な構成要素を統合する。
論文 参考訳（メタデータ） (2025-08-29T19:47:25Z) - Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。
具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。
これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
論文 参考訳（メタデータ） (2025-06-17T07:04:07Z) - Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。
提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
論文 参考訳（メタデータ） (2024-07-02T09:11:17Z) - Unifying Flow, Stereo and Depth Estimation [121.54066319299261]
本稿では3つの動作と3次元知覚タスクのための統一的な定式化とモデルを提案する。
これら3つのタスクを、統一された高密度対応マッチング問題として定式化する。
我々のモデルは、モデルアーキテクチャとパラメータがタスク間で共有されているため、自然にクロスタスク転送を可能にします。
論文 参考訳（メタデータ） (2022-11-10T18:59:54Z) - Learning Multi-Granular Spatio-Temporal Graph Network for Skeleton-based
Action Recognition [49.163326827954656]
骨格に基づく行動分類のための新しい多言語時空間グラフネットワークを提案する。
2つの枝の枝からなるデュアルヘッドグラフネットワークを開発し、少なくとも2つの時間分解能を抽出する。
3つの大規模データセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2021-08-10T09:25:07Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z)
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。