CVPRMar, 2023

语境去混淆的情感识别

PDF
TL;DR本文提供了基于因果关系的视角来解决 “上下文感知情感识别（CAER）” 中的数据集中存在的偏见问题。通过构建因果图，设计了 Contextual Causal Intervention Module (CCIM) 来提高模型表现并且在三个基准数据集上进行了充分的实验来证明其有效性和重要性。
context-aware emotion recognitioncontext biascausality-based perspectivecontextual causal intervention modulemodel training
发现论文，激发创造
  • 借助去混淆训练的因果解谜视角实现面向上下文感情识别的去偏差

    通过使用上下文感知情绪识别（CAER）方法解决数据集中的上下文偏差问题，利用因果推理和定制化因果图来消除干扰变量，在模型训练中使用基于反向推理校正理论的 Contextual Causal Intervention Module（CCIM）实现近似因果效应，并通过实验证明 CCIM 的有效性。

    Jul, 2024

  • 上下文去偏的稳健情感识别

    提出了一个反事实情感推理框架 (CLEF)，通过消除上下文偏差和增强预测性能，改善情感识别中的整体因果效应。

    Mar, 2024

  • 基于上下文的情感识别网络

    该研究介绍了一种基于深度网络的上下文感知情感识别方法，利用了人脸表情和场景上下文信息进行情感识别，并通过引入新的基准数据集 CAER 在多个基准测试中表现出了上下文对于情感识别的有效性。

    Aug, 2019

  • 基于上下文和情感嵌入特征的四要素情感认知框架 CEFER

    本文提出了一种同时考虑语境和情感的框架 CEFER（Context and Emotion embedded Framework for Emotion Recognition），提高了对文本中隐含情感的识别准确率。

    Sep, 2022

  • 基于深度学习的多模态对话情感识别综合调查

    综述了多模式对话情感识别的建模方法，大致划分为无上下文建模、顺序上下文建模、说话人差异建模和说话人关系建模四个类别，并讨论了多模式特征提取方法、应用领域、挑战和未来发展方向。希望能够帮助研究人员理解当前情感识别研究的现状，提供一些启示，并开发出更高效的模型。

    Dec, 2023

  • 识别情绪之间的条件因果关系及其相应条件

    确定是否在不同的上下文范围内表达出的情绪和原因具有有效的因果关系，并提取参与因果关系的特定上下文从而构建一个可用于平衡具有和没有因果关系的文档数量的最终数据集，通过提出上下文屏蔽模块来提取参与因果关系的上下文子句，并通过提出预测聚合模块根据输入的情绪和原因是否依赖于特定的上下文子句来调整预测结果，验证了我们提出的框架的有效性和普遍性。

    Nov, 2023

  • 图像情感识别的高层次语境表示

    本文提出了一种从图像中提取高级语境表示的方法，利用单个线索和单个编码流与情感相关联，并且该模型的执行效率比以前的模型更高，其在 EMOTIC 数据集上达到了 0.3002 的 mAP 并且能够在消费级硬件上以每秒大约 90 帧的速度执行，容易部署在解决与情感识别相关的现实问题中。

    May, 2023

  • 基于语境信息和常识的对话情感识别

    提出了一种新的基于提示和语言模型调整的情感识别模型 CISPER，通过融入上下文信息、交往者情感以及常识知识等要素，可以更加准确地识别对话中的情感表达，明显超过当前最优解。

    Jul, 2022

  • 会话中对话感情原因的认知感知抽取

    该论文研究了在对话中提取情感原因的重要性，提出了一种基于话语结构的模型，利用多任务学习框架和门控图神经网络来建模和分析对话，加强了情感和原因表达之间的联系，并验证了模型的有效性。

    Oct, 2022

  • 自我上下文感知人机交互中的情绪认知

    通过引入自我上下文感知模型 (SCAM)，结合二维情绪坐标系统、独特信息保留结构和上下文损失，我们在音频、视频和多模态情景中显著提高了情绪识别的准确性。未来，我们将通过心理实验来验证 SCAM 在机器人上的可靠性和可用性。

    Jan, 2024