論文の概要: Causal Supervision of Attention for Affective Behaviour Analysis

• arxiv url: http://arxiv.org/abs/2607.12091v1
• Date: Mon, 13 Jul 2026 19:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.939134
• Title: Causal Supervision of Attention for Affective Behaviour Analysis
• Title（参考訳）: 行動分析における注意の因果監督
• Abstract要約: 感情行動分析(Affective Behaviour Analysis)は、実際の環境での行動信号、特に表情から人間の感情状態を予測することを目的としている。 textit11th Affective Behaviour Analysis in-the-wild Competitionには、s-Aff-Wild2データベースに基づくマルチタスク学習チャレンジが含まれており、参加者はValence-Arousal Estimation, Expression Recognition, Action Unit Detectionのための統合フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 5.611458864154039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Affective Behaviour Analysis aims to enable machines to infer human affective states from behavioural signals, particularly facial expressions, in real-world environments. The \textit{11th Affective Behaviour Analysis in-the-wild Competition} includes the Multi-Task Learning Challenge based on the s-Aff-Wild2 database, where participants develop a unified framework for Valence-Arousal Estimation, Expression Recognition, and Action Unit Detection. This is challenging because emotion-related cues must be distinguished from spurious factors such as identity, illumination, pose, and demographic variation. Attention mechanisms are well suited as they aggregate information from the most informative facial regions, but may still exploit dataset-specific correlations instead of true affective cues. To improve generalization, we propose an attention pooling framework that promotes subject-invariant attention while increasing feature expressiveness. Our method consists of three components. First, we introduce causal supervision to enforce attention on facial regions with invariant predictive value across subjects. Second, we apply a cross-covariance independence regularization between Key (K) and Value (V) projections to encourage complementary, non-redundant representations. Finally, we replace the linear Value projection with a gated nonlinear SwiGLU transformation to increase feature expressiveness and capture finer-grained affective cues. Our method achieves $CCC_{VA}=0.5123$ for VA estimation on the official validation set, together with $F1_{EX}=0.3116$ and $F1_{AU}=0.3974$ for expression recognition and action unit detection, respectively, resulting in an overall $P$ score (the sum of the individual task metrics) of $1.2214$.
• Abstract（参考訳）: 感情行動分析(Affective Behaviour Analysis)は、実際の環境での行動信号、特に表情から人間の感情状態を予測することを目的としている。 The \textit{11th Affective Behaviour Analysis in-the-wild Competition} includes the Multi-Task Learning Challenge based on the s-Aff-Wild2 database, participants developed a unified framework for Valence-Arousal Estimation, Expression Recognition, and Action Unit Detection。 なぜなら、感情に関連する手がかりは、アイデンティティ、照明、ポーズ、人口変動といった刺激的な要因と区別されなければならないからである。 注意機構は最も情報性の高い顔領域から情報を収集するのに適しているが、それでも真の感情的手がかりではなくデータセット固有の相関を利用する可能性がある。 一般化を改善するため,特徴表現性を高めつつ,主観的不変な注意を促すアテンションプーリングフレームワークを提案する。 私たちの方法は3つの構成要素から成り立っている。 まず,被験者ごとの予測値が変化しない顔領域に注意を向けるために,因果的監督を導入する。 第二に、キー(K)と値(V)プロジェクション間の相互共分散独立正規化を適用し、相補的で非冗長な表現を促進する。 最後に、線形値投影を非線形SwiGLU変換に置き換え、特徴表現性を高め、よりきめ細かい感情的手がかりを捉える。 本手法は,公式な検証セット上でのVA推定に$CCC_{VA}=0.5123$,式認識とアクション単位検出に$F1_{EX}=0.3116$,$F1_{AU}=0.3974$,それぞれ$CCC_{VA}=0.5123$,それぞれ$F1_{EX}=0.3116$,$F1_{AU}=0.3974$を達成した。

関連論文リスト

• Mind the Student: Behavioral and Contextual Cues for Automated Engagement Prediction in Online Learning [9.31020526280198]
  我々は,映像,音声,画像エンコーダから抽出した暗黙的特徴と,頭部ポーズ,視線,顔の動き,感情,ウェーブレットに基づく音声特徴などの構造化された行動モダリティを統合するフレームワークを開発した。 我々は、不確実性を考慮した予測のために、顕在回帰およびスペクトル正規化ガウス過程分類ヘッドを用いて、ロバスト性の改善と校正を行う。
  論文  参考訳（メタデータ） (2026-08-25T10:03:07Z)
• Complementary Text-Guided Attention for Zero-Shot Adversarial Robustness [57.104158692005775]
  ゼロショットロバストネス(TGA-ZSR)のためのテキストガイド型アテンションを提案する。 我々のゴールは、CLIPモデルの一般化を維持し、敵の堅牢性を高めることである。 この制限を克服するために、補完的テキストガイド注意(Complementary Text-Guided Attention, Comp-TGA)と呼ばれる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2026-03-19T08:11:46Z)
• BROTHER: Behavioral Recognition Optimized Through Heterogeneous Ensemble Regularization for Ambivalence and Hesitancy [39.407739937584104]
  自然主義的なビデオ設定におけるA/H(Ambivalence and Hesitancy)は、感情コンピューティングにおいて重要な課題である。 ビデオレベルでのA/H予測のために,高度に正規化されたマルチモーダル融合パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-15T12:53:41Z)
• Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network for Multimodal Depression Detection [11.865335030037519]
  抑うつは、効率的で信頼性の高い自動検出方法を必要とする世界的なメンタルヘルスの課題を表している。 P$3$HF(Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network)を提案する。 MPDD-Youngデータセットの実験によると、P$3$HFは2次および3次うつ病分類タスクの精度と重み付けされたF1を約10%改善する。
  論文  参考訳（メタデータ） (2025-11-16T05:14:37Z)
• Facial-R1: Aligning Reasoning and Recognition for Facial Emotion Analysis [20.372029918328035]
  FEA(Facial Emotion Analysis)は、説明可能なきめ細かい推論を取り入れることで、従来の顔の感情認識を拡張している。 近年のアプローチでは、ビジョンランゲージモデル(VLM)を活用し、有望な結果が得られるが、2つの限界に直面している。 両課題を最小限の監督で効果的に解決する3段階アライメントフレームワークであるFacial-R1を提案する。
  論文  参考訳（メタデータ） (2025-11-13T12:40:21Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• RoboView-Bias: Benchmarking Visual Bias in Embodied Agents for Robotic Manipulation [67.38036090822982]
  ロボット操作における視覚バイアスの定量化を目的とした,最初のベンチマークであるRoboView-Biasを提案する。 我々は、個々の視覚的要因とその相互作用によって引き起こされるバイアスの堅牢な測定を可能にする2,127のタスクインスタンスを作成します。 本研究は,視覚バイアスの系統的解析が,安全で信頼性の高い汎用的なエンボディエージェントの開発に必須であることを示す。
  論文  参考訳（メタデータ） (2025-09-26T13:53:25Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• An Active Inference Model of Covert and Overt Visual Attention [0.0]
  本稿では,アクティブな推論の枠組みを通じて,隠蔽と過度な視覚的注意のモデルを提案する。 このモデルは、現在の環境信念と感覚入力の両方に基づいて視覚感覚の精度を決定する。
  論文  参考訳（メタデータ） (2025-05-06T09:26:00Z)
• Trend-Aware Supervision: On Learning Invariance for Semi-Supervised Facial Action Unit Intensity Estimation [9.801711534323605]
  本研究は,3種類のトレンド意識を追求するtextbfTrend-textbfAware textbfSupervision(TAS)を提案する。 TASは、トレーニング中の傾向認識を高めて、対応する顔の外観変化を表すAU固有の特徴を学習することにより、素早い相関問題を緩和する。
  論文  参考訳（メタデータ） (2025-03-11T06:21:09Z)
• A Cooperative Multi-Agent Framework for Zero-Shot Named Entity Recognition [71.61103962200666]
  ゼロショット名付きエンティティ認識(NER)は、注釈のないテキストコーパスからエンティティ認識システムを開発することを目的としている。 最近の研究は、特別なプロンプトテンプレートを作成することで、ゼロショットNERに大規模な言語モデル(LLM)を適用している。 ゼロショットNERのための新しいフレームワークである協調型マルチエージェントシステム(CMAS)を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T23:30:43Z)
• Towards Context-Aware Emotion Recognition Debiasing from a Causal Demystification Perspective via De-confounded Training [14.450673163785094]
  文脈認識感情認識(CAER)は、対象者の感情を認識するための貴重な意味的手がかりを提供する。 現在のアプローチは、コンテキストから知覚的に重要な表現を抽出する洗練された構造を設計することに集中している。 共同設立者を非難するためのCCIM(Contextual Causal Intervention Module)を提案する。
  論文  参考訳（メタデータ） (2024-07-06T05:29:02Z)
• 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)
• Disentangled Interaction Representation for One-Stage Human-Object Interaction Detection [70.96299509159981]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、人間中心の画像理解のコアタスクである。 最近のワンステージ手法では、対話予測に有用な画像ワイドキューの収集にトランスフォーマーデコーダを採用している。 従来の2段階の手法は、非絡み合いで説明可能な方法で相互作用特徴を構成する能力から大きな恩恵を受ける。
  論文  参考訳（メタデータ） (2023-12-04T08:02:59Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Frame-level Prediction of Facial Expressions, Valence, Arousal and Action Units for Mobile Devices [7.056222499095849]
  本稿では,AffectNetで事前学習した1つのEfficientNetモデルを用いて,顔の特徴を抽出し,フレームレベルの感情認識アルゴリズムを提案する。 当社のアプローチは,モバイルデバイス上でのビデオ解析にも適用できる。
  論文  参考訳（メタデータ） (2022-03-25T03:53:27Z)
• An Ensemble Approach for Facial Expression Analysis in Video [5.363490780925308]
  本稿では,ABAW3 2022の課題について紹介する。 論文は問題の解決に焦点を当てている。 価-覚醒推定とアクションユニット検出。
  論文  参考訳（メタデータ） (2022-03-24T07:25:23Z)
• Learning Affordance Grounding from Exocentric Images [79.64064711636975]
  Affordance Groundingは、オブジェクト内のアクション可能性領域をグラウンド(すなわちローカライズ)するタスクである。 人間は様々な外心中心の相互作用を不変の自我中心の余裕に変換する能力を持っている。 本稿では,外心的視点,すなわち,外心的対象の相互作用と自我的対象のイメージが与えられた場合の空白化課題を提案する。
  論文  参考訳（メタデータ） (2022-03-18T12:29:06Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
  本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。 本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
  論文  参考訳（メタデータ） (2020-06-09T20:59:42Z)
• Pose-guided Visible Part Matching for Occluded Person ReID [80.81748252960843]
  本稿では、ポーズ誘導による特徴の識別を共同で学習し、その部分の可視性を自己判断する Pose-Guided Visible Part Matching (PVPM) 法を提案する。 実験結果から,提案手法は最先端手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2020-04-01T04:36:51Z)
• $M^3$T: Multi-Modal Continuous Valence-Arousal Estimation in the Wild [86.40973759048957]
  本報告では、ABAW(Affective Behavior Analysis in-the-wild)チャレンジの価-覚醒的評価トラックへの提案に基づくマルチモーダルマルチタスク(M3$T)アプローチについて述べる。 提案したM3$Tフレームワークでは,ビデオの視覚的特徴とオーディオトラックの音響的特徴の両方を融合させて,有声度と覚醒度を推定する。 ABAW が提供する検証セットに対して,M3$T フレームワークを評価し,ベースライン法を著しく上回る性能を示した。
  論文  参考訳（メタデータ） (2020-02-07T18:53:13Z)

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。