論文の概要: See the Emotion: A Facial Emoji Proxy Modeling for EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2607.02912v1
• Date: Fri, 03 Jul 2026 03:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.456143
• Title: See the Emotion: A Facial Emoji Proxy Modeling for EEG Emotion Recognition
• Title（参考訳）: 脳波感情認識のための顔絵文字プロキシモデリング
• Abstract要約: 我々は,高次元脳波信号を同一視された顔絵文字に変換する新しいフレームワークであるFacial Emoji Proxy Modelingを紹介した。 本手法は脳波のみのモデル間で最先端の精度を実現する。 意味的に忠実な顔のアニメーションを生成し、脳の感情的進化に透明でプライバシー保護の窓を提供する。
• 参考スコア（独自算出の注目度）: 18.286898429800996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the high accuracy of EEG-based emotion recognition, existing models remain opaque "black boxes", lacking semantic grounding between abstract neural features and human-interpretable states. In this paper, we reframe EEG explainability as a cross-modal generation task, shifting the paradigm from feature attribution to behavioral visualization. We introduce Facial Emoji Proxy Modeling, a novel framework that translates high-dimensional EEG signals into identity-anonymized facial emojis. Guided by the neuroscientific inspiration of neural-facial association, this approach grounds neural representations in the manifold of observable facial dynamics. Technically, our framework integrates FMENet, a specialized backbone modeling expression-relevant spatial synergies, and the Facial Emoji Learning Branch (FELB), which treats emoji reconstruction as a structured semantic regularizer. Extensive experiments on EAV and MMER benchmarks demonstrate that our method achieves state-of-the-art accuracy among EEG-only models. Crucially, it generates semantically faithful facial animations that provide a transparent, privacy-preserving window into the brain's emotional evolution, effectively allowing users to "see the emotion" directly from neural signals. Code is available at https://github.com/xian-sh/SeeEmotion
• Abstract（参考訳）: 脳波に基づく感情認識の精度が高いにもかかわらず、既存のモデルは「ブラックボックス」という不透明なままであり、抽象的ニューラル特徴と人間の解釈可能な状態のセマンティックグラウンドが欠如している。 本稿では,脳波説明可能性(EEG)をクロスモーダルな生成タスクとして再設計し,そのパラダイムを特徴属性から行動可視化へシフトさせる。 我々は,高次元脳波信号を同一視された顔絵文字に変換する新しいフレームワークであるFacial Emoji Proxy Modelingを紹介した。 神経科学的なインスピレーションにより、このアプローチは、観察可能な顔力学の多様体に神経表現を基礎づける。 技術的には,表現関連空間相乗効果をモデル化する特殊なバックボーンモデルであるFMENetと,絵文字再構成を構造的セマンティックレギュレータとして扱うFELBを統合した。 EAVおよびMMERベンチマークの大規模実験により,脳波のみのモデル間で最先端の精度が得られた。 重要なことに、それは意味的に忠実な顔のアニメーションを生成し、脳の感情の進化に透過的でプライバシー保護の窓を提供する。 コードはhttps://github.com/xian-sh/SeeEmotionで入手できる。

関連論文リスト

• Mind-to-Face: Neural-Driven Photorealistic Avatar Synthesis via EEG Decoding [11.030344145348097]
  非侵襲脳波(EEG)信号を高忠実度表情に直接デコードする最初のフレームワークであるMind-to-Faceを提案する。 脳波だけでは、微妙な感情反応を含む動的、主観的な表情を確実に予測できることが示される。 Mind-to-Faceは、ニューラル駆動アバターの新しいパラダイムを確立し、没入型環境におけるパーソナライズされた感情認識のテレプレゼンスと認知的相互作用を可能にする。
  論文  参考訳（メタデータ） (2025-12-03T23:02:27Z)
• Emotion Transfer with Enhanced Prototype for Unseen Emotion Recognition in Conversation [64.70874527264543]
  会話における未知感情認識(UERC)タスクを初めて紹介する。 本稿では,プロトタイプベースの感情伝達フレームワークProEmoTransを提案する。 ProEmoTransは有望だが、依然として重要な課題に直面している。
  論文  参考訳（メタデータ） (2025-08-27T03:16:16Z)
• Think-Before-Draw: Decomposing Emotion Semantics & Fine-Grained Controllable Expressive Talking Head Generation [7.362433184546492]
  コンピュータビジョンとマルチモーダル人工知能の交差点における重要な研究領域として、感情的トーキー生成が出現している。 本研究では,2つの課題に対処するThink-Before-Drawフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-17T03:33:46Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• EmoSEM: Segment and Explain Emotion Stimuli in Visual Art [25.539022846134543]
  芸術的イメージが与えられたモデルでは、特定の人間の感情をトリガーするピクセル領域をピンポイントし、それに対する言語学的説明を生成する。 本稿では,感情理解能力を持つセグメンテーションフレームワークを実現するために,感情刺激・説明モデル(EmoSEM)モデルを提案する。 本手法は,低レベルの画素特徴から高レベルの感情解釈へのエンド・ツー・エンド・モデリングを実現し,視覚的感情分析のための第1の微粒化フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-04-20T15:40:00Z)
• EmoNeXt: an Adapted ConvNeXt for Facial Emotion Recognition [0.0]
  EmoNeXtは、適応型ConvNeXtアーキテクチャネットワークに基づく、表情認識のための新しいディープラーニングフレームワークである。 我々は、感情分類精度に関するFER2013データセット上で、既存の最先端ディープラーニングモデルよりもモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-14T15:23:36Z)
• GiMeFive: Towards Interpretable Facial Emotion Classification [1.1468563069298348]
  深層畳み込みニューラルネットワークは、顔の感情をうまく認識することが示されている。 本稿では,階層アクティベーションと勾配重み付きクラスマッピングを用いたGiMeFiveモデルを提案する。 実験結果から,本モデルでは従来の手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-24T00:37:37Z)
• Emotion Separation and Recognition from a Facial Expression by Generating the Poker Face with Vision Transformers [57.1091606948826]
  我々はこれらの課題に対処するため,ポーカー・フェイス・ビジョン・トランスフォーマー (PF-ViT) と呼ばれる新しいFERモデルを提案する。 PF-ViTは、対応するポーカーフェースを生成して、乱れを認識できない感情を静的な顔画像から分離し、認識することを目的としている。 PF-ViTはバニラビジョントランスフォーマーを使用し、そのコンポーネントは大規模な表情データセット上でMasked Autoencodeerとして事前トレーニングされている。
  論文  参考訳（メタデータ） (2022-07-22T13:39:06Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)
• Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
  In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。 我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
  論文  参考訳（メタデータ） (2020-11-18T13:42:05Z)
• Facial Expression Editing with Continuous Emotion Labels [76.36392210528105]
  深層生成モデルは、自動表情編集の分野で素晴らしい成果を上げている。 連続した2次元の感情ラベルに従って顔画像の表情を操作できるモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-22T13:03:02Z)

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。