論文の概要: Efficient and Interpretable Body-Based Emotion Recognition with Lightweight Temporal Convolutional Networks
- arxiv url: http://arxiv.org/abs/2607.20820v1
- Date: Thu, 23 Jul 2026 01:12:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.256678
- Title: Efficient and Interpretable Body-Based Emotion Recognition with Lightweight Temporal Convolutional Networks
- Title（参考訳）: 軽量時間畳み込みネットワークを用いた効率よく解釈可能な身体ベース感情認識
- Authors: Christian Arzate Cruz, Stefanos Gkikas, Houshyar Asadi,
- Abstract要約: 身体に基づく感情認識は、リアルタイムな情緒的システムにおいて重要であるが、グラフベースの骨格モデルは計算的に高価である。
本稿では,軽量時相畳み込みネットワーク(TCN)が,身体に基づく感情分類の効率的かつ解釈可能な代替手段となるかどうかを考察する。
- 参考スコア（独自算出の注目度）: 2.5743936970804167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Body-based emotion recognition is important for real-time affective systems, but graph-based skeleton models can be computationally expensive. This paper studies whether lightweight temporal convolutional networks (TCNs) can provide an efficient and interpretable alternative for body-based emotion classification. We evaluate a family of TCN models on DIEM-A and compare them with a graph-based time-series graph (G-TSG) baseline using accuracy, macro-F1, parameter count, and inference latency. Although G-TSG achieves the highest mean performance, TCN-Base remains within $1.58$ accuracy points and $1.25$ macro-F1 points while using $79.18\%$ fewer parameters and reducing classifier latency by approximately $12.5\times$. We also analyze body-region contributions using region-specific TCN models, zero-based occlusion, and G-TSG gradient saliency. The results show that upper-body motion provides the strongest standalone regional cue, that the usefulness of body regions varies across emotions, and that different interpretability methods capture distinct aspects of model behavior. These findings suggest that lightweight TCNs can support efficient body-based emotion recognition while also providing practical insight into how motion cues contribute to classification.
- Abstract（参考訳）: 身体に基づく感情認識は、リアルタイムな情緒的システムにおいて重要であるが、グラフベースの骨格モデルは計算的に高価である。
本稿では,軽量時相畳み込みネットワーク(TCN)が,身体に基づく感情分類の効率的かつ解釈可能な代替手段となるかどうかを考察する。
我々は、DIEM-A上でのTNモデル群を評価し、精度、マクロF1、パラメータ数、推論遅延を用いてグラフベースの時系列グラフ(G-TSG)のベースラインと比較する。
G-TSGは平均性能が最も高いが、TN-Baseは1.58ドルの精度ポイントと1.25ドルのマクロF1ポイントに留まり、79.18セントのパラメータを減らし、分類器の遅延を約12.5ドル減らした。
また,地域別TCNモデル,ゼロベース・オクルージョン,G-TSGグラデーション・サリエンシを用いて,身体領域のコントリビューションを分析した。
以上の結果から,上半身の動きが最強で,身体領域の有用性は感情によって異なり,異なる解釈可能性法がモデル行動の異なる側面を捉えていることが示唆された。
これらの結果から,軽量TNは身体に基づく感情認識を効果的に支援すると同時に,動作の手がかりが分類にどう貢献するかを実践的に把握できる可能性が示唆された。
関連論文リスト
- SEAGAN: domain-Specific and Edge-Aware Graph Attention Network for Dynamic Plant Processes [0.0]
鍵となる例として、A-Ci曲線があり、これは純CO2同化率(Anet)と葉の細胞間CO2濃度(Ci)を関連付ける。
正確な推定には、各曲線点における活性な生化学的制限状態の正確な同定が必要である。
ここでは、A-Ci曲線の極限状態同定をグラフベースのノード分類問題として表現する。
論文 参考訳（メタデータ） (2026-06-17T22:04:24Z) - Signal-SGN++: Topology-Enhanced Time-Frequency Spiking Graph Network for Skeleton-Based Action Recognition [0.23332469289621785]
スパイキングニューラルネットワーク(SNN)はエネルギー効率を提供するが、人間の動きの時間的・時間的・位相的依存関係を捉えるには限界がある。
本稿では、適応性と時間周波数スパイキングダイナミクスを統合するトポロジ対応スパイキンググラフフレームワークであるSignal-SGN++を提案する。
論文 参考訳（メタデータ） (2025-12-22T09:16:04Z) - AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - G-MSGINet: A Grouped Multi-Scale Graph-Involution Network for Contactless Fingerprint Recognition [20.458766184257147]
G-MSGINetは、接触レス指紋認識のための統一されたフレームワークである。
生の入力画像から直接、微妙な局所化とアイデンティティの埋め込みを共同で行う。
3つのベンチマークデータセットの大規模な実験は、G-MSGINetが97.0%から99.1%の範囲で0.83pm0.02$、ランク1の識別精度で一貫してF1スコアを達成していることを示している。
論文 参考訳（メタデータ） (2025-05-13T05:24:24Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - Temporal Attention-Augmented Graph Convolutional Network for Efficient
Skeleton-Based Human Action Recognition [97.14064057840089]
グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。
ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。
本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
論文 参考訳（メタデータ） (2020-10-23T08:01:55Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z)
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。