HMI 中自动上下文驱动的参与度推理调查
通过使用 CNN 和 LSTM 网络,我们提出了一种新的回归模型,能够从标准视频流中计算出机器人与人类互动过程中的单一测量值,以衡量参与度,并在不同环境下成功应用。
Jan, 2020
该论文研究了基于用户参与度的智能对话系统的质量评估方法,提出了新的自动评估指标 —— 预测性参与度,并证明了预测性参与度可以用作实时反馈来改进对话模型。
Nov, 2019
本文提出了一种语音情感识别技术的新应用:估算语音通信系统用户之间对话参与程度的水平,使用机器学习技术,如支持向量机( SVM )对用户的情感进行分类;结果表明,使用基于耦合的隐马尔可夫模型的多层结构来建模具有时态和交互特性的对话参与程度是可行的。
Oct, 2004
本文主要探讨在当前和未来的自动机器学习系统中,人与计算机交互如何发生(包括开发、部署和维护阶段的 HCI),不同类型的用户和利益相关方对 HCI 的期望是否存在差异,如何管理 HCI 以使自动机器学习获得人的信任和广泛接受,以及随着自动机器学习系统变得更加自主和学习能力增强,HCI 的基本特性是否会发生变化。研究关键领域包括自动化机器学习,人机交互,用户界面设计,人工智能信任等方面。
May, 2022
考虑到学习者参与可以对学习者和教师带来共同的利益,本文提出了一个通用的轻量级模型,以选择和处理特征来检测学习者的参与度,同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频,该模型能够捕捉学习者参与度的动态本质。此外,本文提出了一个适应策略,以通过利用与教育相关的数据集的情感状态来找到新的标签,从而提高模型的判断能力。该模型在特定实现中取得了 68.57%的准确率,并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。
May, 2024
MultiMediate'23 挑战基于 NOXI 数据库和 MPIIGroupInteraction 语料库,首次对参与度估计与身体行为识别进行了人类社交行为分析任务的研究,并提出了新的标注集和基准结果。
Aug, 2023
研究表明,通过在人工智能架构设计期间使用人机交互,可以轻松创建嵌入式应用程序的轻量级网络架构,从而减少资源需求,提高人工智能开发的效率并实现更可靠和可解释的人工智能应用。
Mar, 2023
本文提出利用用户行为记录作为自动化训练数据标注来提高人工智能语音识别系统中实体标注任务的准确性。通过多任务学习和外部知识库的验证,研究结果表明利用用户行为记录自动打标能有效提升深度学习系统中的训练数据准确率以及用户面向结果。
Sep, 2019
本文提出一种基于协同语义推理(CSI)的框架,通过人机视觉交互设计,实现人与算法的可视化协同,揭示深度学习模型的推理过程,从而使用户能够理解和控制模型的部分推理过程,其应用于文档摘要系统的案例研究表明了其可行性。
Jul, 2019