論文の概要: Organization of Valence and Arousal in Vision-Language Representations of Built Environments: Insights from the EMOIS Dataset
- arxiv url: http://arxiv.org/abs/2609.06870v1
- Date: Sun, 06 Sep 2026 23:12:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 02:13:38.593683
- Title: Organization of Valence and Arousal in Vision-Language Representations of Built Environments: Insights from the EMOIS Dataset
- Title（参考訳）: 建築環境の視覚・言語表現における妥当性と覚醒の組織化:EMOISデータセットからの考察
- Abstract要約: 本稿では,1,544個の実世界構築環境画像からなるEmotional Impression of Spacesデータセットを紹介する。
比較言語-画像事前学習(CLIP)表現を用いて,予測的および幾何学的解析を行う。
学習した表現が予測された感情値の質的解釈をどのようにサポートするかを示す。
- 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: Visual perception of built environments contributes to the affective impressions that people form in everyday life. However, how these impressions are represented within vision foundation models remains largely unexplored. To support the systematic investigation of this subject, we introduce the Emotional Impression of Spaces (EMOIS) dataset, comprising 1,544 real-world built-environment images. Each image is annotated with image-evoked valence and arousal ratings collected from Japanese adults by conducting a large-scale web-based survey, with approximately 120 ratings per image. Using Contrastive Language--Image Pre-training (CLIP) representations, we perform predictive and geometric analyses to systematically investigate how valence and arousal are encoded and organized within the representation space. These analyses reveal that valence exhibited stronger and more coherent organization than arousal. Cross-dataset analyses with the Open Affective Standardized Image Set (OASIS), a benchmark dataset of general affective photographs, reveal differences in affective organization between the two datasets. Regression analyses demonstrate high predictive performance for valence and arousal within EMOIS, with mean coefficients of determination of 0.865 and 0.807, respectively, across repeated internal hold-out evaluations. Finally, we present an example-based interface illustrating how learned representations can support qualitative interpretation of predicted affective values. These findings can help elucidate affective representations of built environments and establish EMOIS as a densely annotated resource for future affective computing research in this domain.
- Abstract（参考訳）: 構築された環境の視覚的知覚は、人々が日常生活で形成する感情的な印象に寄与する。
しかし、これらの印象が視覚基盤モデル内でどのように表現されるかは、まだ明らかになっていない。
本研究の体系的な研究を支援するために,実世界構築環境画像1,544枚からなる情緒印象空間(EMOIS)データセットを紹介する。
各画像は、大規模なWebベースサーベイを実施して、画像誘発価と日本人成人からの覚醒評価を付与し、画像毎のレーティングは約120である。
比較言語-画像事前学習(CLIP)表現を用いて,予測的および幾何学的分析を行い,その表現空間内で価値と覚醒がどのように符号化され,整理されるかを体系的に検討する。
これらの分析により, 原子価は覚醒よりも強く, 一貫性のある構造を示した。
一般的な情緒的写真のベンチマークデータセットであるOpen Affective Standardized Image Set (OASIS)によるクロスデータセット解析により、2つのデータセット間の感情的組織の違いが明らかになった。
回帰分析により, EMOIS内における原子価および陽極値の平均値は0.865, 0.807であり, 内部ホールドアウト評価を繰り返し行った。
最後に,学習した表現が予測された感情値の質的解釈をどのようにサポートするかを示す。
これらの知見は、構築された環境の感情表現を解明し、EMOISを将来の感情コンピューティング研究のための密度の高い注釈付きリソースとして確立するのに役立つ。
関連論文リスト
- Beyond Semantics: Modeling Factual and Affective Perceptual Experiences from Vision-Language Data [37.91467682358732]
Pトピックモデリングに取り組む2段階アーキテクチャである**PercepT**(**Percep**tion topic**T**ransformerを紹介する。
PercepTは意味的に意味のある知覚経験を捉え、既存の方法よりもはるかに優れている。
論文 参考訳（メタデータ） (2026-06-02T08:54:59Z) - Joint Imaging-ROI Representation Learning via Cross-View Contrastive Alignment for Brain Disorder Classification [13.749675574071873]
本稿では,共同画像-ROI表現学習のためのクロスビュー・コントラッシブ・フレームワークを提案する。
提案手法は,主題レベルのグローバル(画像)とローカル(ROIグラフ)の埋め込みを学習し,それらを共有潜在空間に整列させる。
ADHD-200とABIDEデータセットの実験は、共同学習が一貫して分類性能を改善することを示した。
論文 参考訳（メタデータ） (2026-03-10T22:14:53Z) - Visual Affect Analysis: Predicting Emotions of Image Viewers with Vision-Language Models [2.2023261946811563]
視覚言語モデル(VLM)は、スケールでの視覚刺激の影響を推測するためのツールである。
我々は、最新のプロプライエタリモデルからオープンソースモデルまで、9つのVLMを心理測定で検証された3つの感情イメージデータセットでベンチマークした。
論文 参考訳（メタデータ） (2026-01-27T17:56:21Z) - SITE: towards Spatial Intelligence Thorough Evaluation [121.1493852562597]
空間知能 (Spatial Intelligence, SI) は、空間的関係の可視化、操作、推論を含む認知能力を表す。
SI Thorough Evaluationに向けたベンチマークデータセットであるSITEを紹介する。
ベンチマークの計算には、31の既存のデータセットに関するボトムアップ調査と、認知科学の3つの分類システムに基づくトップダウン戦略を組み合わせる。
論文 参考訳（メタデータ） (2025-05-08T17:45:44Z) - Generalized Visual Relation Detection with Diffusion Models [94.62313788626128]
視覚的関係検出(VRD)は、画像内のオブジェクトペア間の関係(または相互作用)を特定することを目的としている。
本稿では,視覚的関係を連続的な埋め込みとしてモデル化し,一般化されたVRDを条件付き生成方法で実現するための拡散モデルの設計を提案する。
我々のDiff-VRDは、予め定義されたデータセットのカテゴリラベルを超えて、視覚的な関係を生成できる。
論文 参考訳（メタデータ） (2025-04-16T14:03:24Z) - Balancing the Scales: Enhancing Fairness in Facial Expression Recognition with Latent Alignment [5.784550537553534]
このワークル平均は、表情認識システムにおけるバイアスを軽減するために、潜在空間に基づく表現学習を行う。
また、ディープラーニングモデルの公平性と全体的な正確性も向上する。
論文 参考訳（メタデータ） (2024-10-25T10:03:10Z) - When Does Perceptual Alignment Benefit Vision Representations? [76.32336818860965]
視覚モデル表現と人間の知覚的判断との整合がユーザビリティに与える影響について検討する。
モデルと知覚的判断を一致させることで、多くの下流タスクで元のバックボーンを改善する表現が得られることがわかった。
その結果,人間の知覚的知識に関する帰納バイアスを視覚モデルに注入することは,より良い表現に寄与することが示唆された。
論文 参考訳（メタデータ） (2024-10-14T17:59:58Z) - Exploring Affordance and Situated Meaning in Image Captions: A
Multimodal Analysis [1.124958340749622]
Flickr30kデータセットのイメージに5つの知覚特性(Affordance, Perceptual Salience, Object Number, Cue Gazeing, Ecological Niche Association (ENA))を付加した注釈を付ける。
以上の結果より,ギブソニアの空白画像は,テコールの空白画像と比較して,「保持動詞」と「コンテナ名詞」を含む字幕の頻度が高いことが明らかとなった。
論文 参考訳（メタデータ） (2023-05-24T01:30:50Z) - Perceptual Grouping in Contrastive Vision-Language Models [59.1542019031645]
画像内の物体の位置を視覚言語モデルで理解し,画像の視覚的関連部分をグループ化する方法について述べる。
本稿では,意味情報と空間情報の両方を一意に学習するモデルとして,最小限の修正を提案する。
論文 参考訳（メタデータ） (2022-10-18T17:01:35Z) - DORA: Exploring Outlier Representations in Deep Neural Networks [0.0]
我々は,Deep Neural Networks (DNN) の表現空間を解析するための,最初のデータに依存しないフレームワークであるDORAを提案する。
我々のフレームワークの中心は、表現間の類似性を評価する、提案された極活動距離測定(EA)である。
EAのメトリクスを定量的に検証し、制御されたシナリオと実世界のアプリケーションの両方でその効果を実証する。
論文 参考訳（メタデータ） (2022-06-09T14:25:14Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z)
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。