通过少样本和多任务对比学习高效标记情感视频数据集

MMAug, 2023

通过少样本和多任务对比学习高效标记情感视频数据集

Efficient Labelling of Affective Video Datasets via Few-Shot & Multi-Task Contrastive Learning

Ravikiran Parameshwara, Ibrahim Radwan, Akshay Asthana, Iman Abbasnejad, Ramanathan Subramanian...

TL;DR利用 Multi-Task Contrastive Learning for Affect Representation（MT-CLAR）结合深度学习技术，通过对表情图片的对比学习来推断表情表达的相似性，以及两个面部表情在情感价值和唤起水平上的差异，并扩展该框架用于自动化视频标注。

Abstract

Whilst deep learning techniques have achieved excellent emotion prediction, they still require large amounts of labelled training data, which are (a) onerous and tedious to compile, and (b) prone to errors and biases. We propose →

deep learning techniques multi-task contrastive learning for affect representation few-shot affect inference siamese network automated video labelling

发现论文，激发创造

监督式对比学习用于情感建模

通过对多模态用户输入的可测情感表征进行情感分类，并通过对比学习来训练泛化的、高水平的、融入情感信息的情感表示，提高情感模型的准确性。

Aug, 2022

人类情感中学习标签之间的关系

该论文提出了一种利用深度学习方法处理情感识别及精神分裂症严重程度估计问题的方法，通过引入关系损失和注意力机制等手段提高了网络的性能，成功地克服了少数据、长视频等问题。实验证明，所提出的方法在精神分裂症识别领域的准确率可以取得人类专家的 85% 的准确率，优于先前的实验成果。

Jul, 2022

奥卡姆剃刀视角下的小训练集视听情感识别学习

该研究提出了一种轻量级和准确的深度神经模型，通过迁移学习、降维和简单的帧选择机制实现音视频情感识别，取得了情感识别领域 State-of-the-art 的准确率。

Aug, 2018

基于多任务学习的多情感描述符合集模型

本文介绍我们在第四届野外情感行为分析竞赛中提交的方法，将提供的面部和面部周围背景的完整信息用于多任务学习挑战，使用 InceptionNet V3 模型提取深度特征，从而得出对情绪的分类和评估

Jul, 2022

HSE-NN 队参加第四届 ABAW 比赛：多任务情感识别与学习合成图像

本篇论文主要探究了利用多任务学习技术，在静态照片上进行面部表情、愉悦度和唤起度的识别。在使用合成数据学习的挑战中，MT-EmotiEffNet 模型的学习效果得到了显著提高，同时在预训练集和微调集上进行的预测结果也取得了优异表现。

Jul, 2022

基于注意力增强的端到端多任务学习在语音情感预测中的应用

本文提出了一种增强的端到端框架，通过学习其他辅助任务和关注机制来获取更加稳健和更好地共享表示，以缓解传统系统中由于有限训练数据而导致的过拟合问题，提高语音情感识别性能。

Mar, 2019

不完整情感标签下的多任务情感识别

本文中，我们使用数据平衡技术处理高度不平衡的实验数据，并提出了一种多任务模型的算法，通过使用软标签和真实标签来训练模型，解决了数据不全的问题，最终通过模型集成显著提高了面部动作单元检测、表情分类和情感估计的表现。

Feb, 2020

情感分析的多任务学习

这项研究在情感计算领域进行，旨在提高情绪识别领域多任务学习的效率和效果。研究探索了单任务解决方案和多任务方法，并通过修改输出层和损失函数，利用现有的神经网络架构进行多任务学习，研究结果对于情感计算领域具有潜在的应用价值。

Jun, 2024

一种多任务学习与生成框架：情感价值 - 唤起度、动作单位和基本表情

本论文针对情感分析的各个领域进行了研究，提出了基于神经网络的多任务学习方法，该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。

Nov, 2018

ABAW4 多任务挑战的双方面信息融合模型

本研究提出了一个新颖的端到端架构，以实现不同类型信息的全面集成来解决情感行为分析中的多任务学习挑战，实验结果表明我们的方法是有效的。

Jul, 2022