隐性设计选择对情绪识别模型开发和评估的影响
本文对情感识别中的流行深度学习方法进行了全面评估,发现语音信号中的长距离依赖对情感识别至关重要,而速率变换是获得最稳健性能提升的最佳数据扩增技术之一。
Nov, 2022
本研究回顾了移动应用程序和虚拟对话代理器识别和适应情绪的方法,讨论了隐私问题。我们研究了基于主要任务(情感识别)进行训练的多模态表征如何意外地泄露一些敏感信息,分析了情感识别中的隐私度量,并在多个数据集上进行了验证。我们使用对抗学习范式来消除表征中的隐私信息,以及如何在不影响主要任务表现的情况下改善隐私度量。本研究是第一次分析不同模态的隐私指标差异以及如何在仍然维持情感识别表现的情况下解决多个隐私问题。
Oct, 2019
机器学习在视觉情感识别方面的应用具有很大的潜力,但目前的方法针对有限的视觉情感概念局限于小规模数据集上进行模型训练和测试。我们的分析确定了现有视觉情感基准测试中存在的一个长期被忽视的问题,即数据集偏见。基于我们的分析,我们提出了一个基于 Webly 监督方法的解决方案,通过利用大量的库存图像数据进行训练。我们发现,使用我们的大规模图像数据集学习的模型表现出了明显更好的泛化能力。此外,使用我们的方法学习得到的视觉表示在不同的图像和视频数据集上具有很大的潜力。
Aug, 2018
本研究探讨利用情感识别作为辅助任务以提高应对压力的检测,提出 MUSER 模型并针对该模型设计基于速度的动态采样策略的多任务学习算法,在 Multimodal Stressed Emotion(MuSE)数据集上的表现达到了最新的最佳结果。
May, 2021
本文提出了一种通过视角损失来改进的多模态语音情感识别模型,通过融合音频和文本信息来提高多模态任务的性能表现,在 IEMOCAP 数据集上获得了最新的最佳表现。
Apr, 2023
人类情感的计算研究涉及各种沟通方式和媒体格式,本文提出了一个统一的计算模型,通过学习共享的情感表示来实现对异质数据和标签类型的协同工作,以提高可重用性、可解释性和灵活性,并且不降低预测质量。
Aug, 2023
本篇研究提出一种基于面部表情的情感识别的无监督学习方法,通过跨模态蒸馏将面部表情标注传递到语音领域,用于语音情感识别,实现了在未标注音频数据下学习语音情感表示的目标。
Aug, 2018
提出了一种基于跨模态分布匹配的半监督多模态情感识别模型,该模型利用丰富的未标记数据增强模型训练,实验结果表明该模型能够有效地结合多模态并利用未标记数据提高情感识别性能,并在同等条件下优于其他最先进的方法。
Sep, 2020
本文针对面部表情识别领域的标签偏差问题,提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别(AUC-FER)框架,实验证明该方法比现有技术更有效。
Aug, 2021