MMMay, 2016

AVEC 2016 - 抑郁症、情绪和情感识别研讨会和挑战

PDF
TL;DR这篇文章介绍了 “音频 / 视觉情感挑战和研讨会（AVEC 2016）” 的比赛指南，使用的数据和基线系统在情感分析任务方面的表现，该比赛旨在比较多媒体处理和机器学习方法的自动音频、视觉和生理抑郁症和情绪分析，并为多模态信息处理提供一个公共基准测试集。
发现论文，激发创造
  • AVEC 2019 工作坊和挑战赛：情绪状态、利用 AI 检测抑郁症和跨文化情感识别

    本文介绍了 AVEC 2019 的挑战目标，包括情感的识别以及跨文化的影响认知，使用多模态数据完成对于健康和情感方面的自动识别，评估基于机器学习方法的表现，并提供一个共同的基准测试集。

    Jul, 2019

  • 音频、视觉和文本分析中的抑郁量表识别

    本文介绍了一种多模态特征提取和决策层融合方法用于通过机器学习算法自动检测抑郁症，并使用支持向量机和神经网络对特征进行分类，在音频特征和视频特征上比验证数据集提供的基线分别提高了 17％和 24.5％。

    Sep, 2017

  • EmotiW 2018: 音视频、学生参与和小组层面情感预测

    EmotiW 是 ACM 国际多模态交互会议上的第六次情感识别大挑战，为情感计算社区中的研究人员提供了一个共同平台，在野外数据上对他们的算法进行基准测试。

    Aug, 2018

  • 基于主题建模的多模态抑郁症检测

    通过主题建模的方法，我们提出了一种上下文感知分析录音的方法，用于预测变态抑郁症的水平，该方法在 AVEC 挑战赛中的所有指标上优于基线。

    Mar, 2018

  • ACM Multimedia 2023 计算语用学挑战赛：情感分享与请求

    ACM Multimedia 2023 Computational Paralinguistics Challenge 中，Emotion Share Sub-Challenge 需要进行语音回归分析，Requests Sub-Challenges 需要检测请求和投诉。研究中介绍了 Sub-Challenges、基线特征提取和基于 ComPaRE 特征、auDeep 工具包和使用预训练 CNN 的深度特征提取的分类器；此外，还使用了 wav2vec2 模型。

    Apr, 2023

  • 气候和天气：通过情绪识别检测抑郁症

    通过使用预训练的情感识别模型进行特征提取来实现自动抑郁症检测，结合音频和文本的情感信息，提出了一种情感传递方法来增加训练的稳定性和检测性能，在进一步理解抑郁症与情感关系方面提供了线索。

    Apr, 2022

  • SUN 团队在 ABAW 2024 竞赛中的贡献：音频视觉的情感倾向与表达识别

    通过调查音频和视觉深度学习方法，为非控制环境中的情绪识别问题提供有效的体系结构。使用基于微调的卷积神经网络（CNN）和公共维度情绪模型（PDEM）进行视频和音频模态的比较，并使用这些多阶段训练的模态特定的深度神经网络（DNN）的嵌入来比较替代的时间建模和融合策略。在 ABAW'24 挑战协议下，对 AffWild2 数据集进行了结果报告。

    Mar, 2024

  • 基于视听线索的抑郁症识别深度学习：综述

    介绍了深度学习技术在自动抑郁症检测中的应用方法，包括音频和视频中的抑郁指标，最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景

    May, 2021

  • EMOPAIN Challenge 2020：基于面部和身体表达的多模态疼痛评估

    EmoPain 2020 挑战是第一个国际比赛，旨在创建一个统一的平台，用于比较机器学习和多媒体处理方法，以便从人类表情行为中进行自动慢性疼痛评估，并识别与疼痛相关的行为。该挑战旨在通过实时监测和反馈，帮助管理病情并保持身体活动，促进较少使用但至关重要的身体表达信号对于自动疼痛和疼痛相关情绪识别的使用。本文介绍了挑战的描述，比赛指南，基准数据集以及三个子任务的基线系统架构和性能：从面部表情中估计疼痛，从多模态运动中识别疼痛，以及检测保护性运动行为。

    Jan, 2020

  • 一分钟逐渐情感挑战的多模态情感识别

    本文介绍了我们在 One-Minute-Gradual 情感挑战中，通过提取从视频中用多种声学，视频和文本模型提取的多模态表示，并使用支持向量机（SVM）融合多模态信号进行最终权值预测，实现了 CCC 得分 0.397 和 0.520。这超过了最佳 CCC 得分 0.15 和 0.23 的基线系统。

    May, 2018