論文の概要: UNWIND: Any-Length Facial Video for Stress Detection without Temporal Windowing
- arxiv url: http://arxiv.org/abs/2609.29553v1
- Date: Wed, 26 Aug 2026 05:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.073874
- Title: UNWIND: Any-Length Facial Video for Stress Detection without Temporal Windowing
- Title（参考訳）: UNWIND: テンポラリウィンドウを使わずにストレス検出のための顔ビデオ
- Abstract要約: ストレス検出のための顔ビデオフレームワークであるUNWINDを導入し,完全な記録を単一モデル入力として解析する。
1$の時間的ストライドで、フレームワークは1回の入力で3,600ドルのフレームを30$fpsでサンプリングする120$秒のシーケンス全体を処理します。
最も高いテスト精度である70.02%$は$=15$で取得され、全てのフレームを$=1$で処理すると、同等の精度が69.73%$である。
- 参考スコア（独自算出の注目度）: 4.418726276398524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic stress recognition from facial video provides a non-contact approach for affective monitoring. However, most existing video-based methods divide complete recordings into shorter temporal segments before performing classification. Such segmentation requires additional decisions concerning segment duration, overlap, and prediction aggregation, and may restrict the model from exploiting information distributed across the entire recording. We introduce UNWIND, a facial-video framework for stress detection that analyzes a complete recording as a single model input, eliminating the need for temporal windowing or external segmentation. UNWIND reorganizes the video by folding its temporal dimension into the channel dimension of a two-dimensional spatial representation, which is subsequently processed through a unified asymmetric-attention architecture. With a temporal stride of $τ=1$, the framework processes the entire $120$-second sequence, corresponding to $3{,}600$ frames sampled at $30$~fps, in a single input. We evaluate seven temporal-stride settings on a stress dataset comprising $58$ subjects, using a stratified subject-level protocol that covers configurations from dense frame retention to sparse temporal sampling. The highest test accuracy, $70.02\%$, is obtained at $τ=15$, while processing all frames at $τ=1$ achieves a comparable accuracy of $69.73\%$. Computational requirements range from $12.48$ to $348.78$ GFLOPs across the evaluated stride settings, illustrating the balance between temporal sampling density and computational efficiency. The findings show that effective facial-video stress recognition can be achieved without dividing recordings into temporal windows and that complete-recording inference can be performed within a single unified model.
- Abstract（参考訳）: 顔画像からの自動ストレス認識は、感情モニタリングに非接触的アプローチを提供する。
しかし、既存のビデオベース手法のほとんどは、完全な録音を分類する前に短い時間セグメントに分割する。
このようなセグメンテーションには、セグメント長、重複、予測アグリゲーションに関するさらなる決定が必要である。
ストレス検出のための顔ビデオフレームワークであるUNWINDを導入し、完全な録音を1つのモデル入力として分析し、時間的ウィンドウニングや外部セグメンテーションの必要性を排除した。
UNWINDは、その時間次元を2次元空間表現のチャネル次元に折り畳んでビデオを再編成し、その後、統一された非対称アテンションアーキテクチャを通して処理する。
時間的ストライドが$τ=1$で、フレームワークは1入力で$120$秒のシーケンスを処理し、30$〜fpsでサンプリングされた$3{,}600$フレームに対応する。
重み付きフレーム保持からスパース時間サンプリングまでの構成を包含する階層化対象レベルプロトコルを用いて,5,8ドルの被験者からなるストレスデータセット上で時間軸設定を7つ評価した。
最も高いテスト精度である70.02\%$はτ=15$で取得され、すべてのフレームをτ=1$で処理すると、同等の精度が69.73\%$となる。
計算要求は、時間サンプリング密度と計算効率のバランスを図り、評価されたストライド設定全体にわたって2.48ドルから348.78ドルGFLOPまで様々である。
その結果, 時間的ウィンドウに記録を分割することなく, 効果的な顔と映像のストレス認識が可能であり, 単一の統一モデル内で完全に記録された推論を行うことが可能であることが示唆された。
関連論文リスト
- MUPA$^{2}$E: Multimodal Unified Perception with Asymmetric Attention for Emotion Assessment [4.682152272555128]
本稿では,顔画像と脳波(EEG)を処理する統合認識フレームワークMUPAtextsuperscript2Eについて述べる。
顔映像は軸折りフレームトークンで表現され、EEGは生のマルチチャネル波形として処理されるか、空間領域に投影される。
試用期間が短くなると30ドル(約3万3000円)で融合し、検証性能が最高、テスト精度が70.07%(約7万7000円)になる。
論文 参考訳（メタデータ） (2026-08-17T01:26:47Z) - FUSE: Frame-Unified Stress Estimation from Facial Video [2.952577829076549]
FUSEは、時間的ウィンドウや外部セグメンテーションを使わずに、完全な記録を単一の入力として処理する、顔とビデオのストレス検出フレームワークである。
t = 1 の時間ストライドでは、FUSE は完全な 120 秒の記録を 1 入力として保持し、30 fps で 3,600 フレームに対応する。
FUSE は t = 15 で 69.44% の最高テスト精度を達成し、フルフレーム構成は 69.03% で競争力を維持している。
論文 参考訳（メタデータ） (2026-08-11T03:49:44Z) - Stable Curves, Unstable Items: Item-Level Scaling Heterogeneity in Video LLMs [16.31176289941024]
ビデオLLMは、視覚的予算が大きくなるにつれて、スムーズに改善されるか、飽和していることを示す。
制御された視覚的予算の下で,各凍結モデルペアを応答軌道で表現する。
我々は、構成の相補性、有害な遷移、およびテキスト上書きの一致したグリッド測度を導出する。
論文 参考訳（メタデータ） (2026-08-07T09:25:20Z) - STAC: Selective Spatiotemporal Aggregation and Compression for Video Reasoning Segmentation [60.597357847359255]
ビデオセグメンテーションでは、複雑な自然言語クエリの下で数百フレームにわたるピクセル精度の高いオブジェクトトラッキングが要求される。
既存のメソッドはトークン圧縮を通じてこの問題に対処するが、典型的には時間的コンテキストを持たない機能で動作する。
状態空間モデルは、この制約を解決し、その線形反復性は、各トークンを時間的文脈で選択的に$mathcalO(T)$コスト圧縮して減少させる。
論文 参考訳（メタデータ） (2026-07-03T03:28:25Z) - LiftVSR: Lifting Image Diffusion to Video Super-Resolution via Hybrid Temporal Modeling with Only 4$\times$RTX 4090s [16.456543112614586]
拡散モデルは、知覚品質を向上させることによって高度なビデオ超解像(VSR)を持つ。
本稿では、PixArt-$alpha$に先立って画像の拡散を緩和し、最先端の結果を得るための効率的なVSRフレームワークLiftVSRを提案する。
いくつかの典型的なVSRベンチマークの実験では、LiftVSRは計算コストを大幅に削減して優れた性能を発揮することが示されている。
論文 参考訳（メタデータ） (2025-06-10T07:49:33Z) - Tag-Based Attention Guided Bottom-Up Approach for Video Instance
Segmentation [83.13610762450703]
ビデオインスタンスは、ビデオシーケンス全体にわたるオブジェクトインスタンスのセグメンテーションと追跡を扱う、基本的なコンピュータビジョンタスクである。
そこで本研究では,従来の領域プロモーター方式ではなく,画素レベルの粒度でインスタンスマスク予測を実現するための,単純なエンドツーエンドのボトムアップ方式を提案する。
提案手法は,YouTube-VIS と DAVIS-19 のデータセット上での競合結果を提供する。
論文 参考訳（メタデータ） (2022-04-22T15:32:46Z) - Efficient Video Segmentation Models with Per-frame Inference [117.97423110566963]
推論のオーバーヘッドを導入することなく、時間的一貫性を改善することに注力する。
本稿では,時間的一貫性の喪失やオンライン/オフラインの知識蒸留手法など,ビデオシーケンスから学ぶためのいくつかの手法を提案する。
論文 参考訳（メタデータ） (2022-02-24T23:51:36Z) - Video Instance Segmentation with a Propose-Reduce Paradigm [68.59137660342326]
ビデオインスタンスセグメンテーション(VIS)は、ビデオ内の各フレームごとに定義されたクラスのすべてのインスタンスをセグメンテーションし、関連付けることを目的とする。
先行メソッドは通常、フレームまたはクリップのセグメンテーションを最初に取得し、追跡またはマッチングによって不完全な結果をマージします。
新しいパラダイムであるPropose-Reduceを提案し、入力ビデオの完全なシーケンスを1ステップで生成します。
論文 参考訳（メタデータ） (2021-03-25T10:58:36Z) - Fast Video Object Segmentation With Temporal Aggregation Network and
Dynamic Template Matching [67.02962970820505]
ビデオオブジェクト(VOS)に「トラッキング・バイ・検出」を導入する。
本稿では,時間的アグリゲーションネットワークと動的時間進化テンプレートマッチング機構を提案する。
我々は,DAVISベンチマークで1フレームあたり0.14秒,J&Fで75.9%の速度で,複雑なベルとホイッスルを伴わずに,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2020-07-11T05:44:16Z) - Efficient Semantic Video Segmentation with Per-frame Inference [117.97423110566963]
本研究では,フレームごとの効率的なセマンティックビデオセグメンテーションを推論プロセス中に処理する。
そこで我々は,コンパクトモデルと大規模モデルのパフォーマンスギャップを狭めるために,新しい知識蒸留法を設計した。
論文 参考訳（メタデータ） (2020-02-26T12:24:32Z)
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。