Apr, 2024

一步到位：基于分离的主题 - 上下文 Transformer 的单阶段情感识别

PDF
TL;DR运用 Decoupled Subject-Context Transformer (DSCT) 实现了一种单阶段的情感识别方法，同时实现了主体定位和情感分类，在两个常用的上下文感知情感识别数据集上取得了比两阶段方法更好的性能。
发现论文，激发创造
  • 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

  • 使用高级音频和文本特征的多模态情感识别

    本篇研究提出一个基于深度学习和跨媒介表征学习的情感识别方法，该方法融合了文字和语音特征，并通过评估发现其在 IEMOCAP 数据集上表现优于其它方法。

    Sep, 2021

  • 利用场景和语义特征进行多模态情感识别

    提出了一种利用场景和语义特征的多模态情绪识别方法，通过结合人物特征和环境上下文，使用 EmbraceNet 提取图像特征，并在 EMOTIC 数据集上验证了方法的有效性。

    Aug, 2023

  • 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

  • 应急呼叫中心对话中基于多尺度上下文学习的语音情绪识别

    对话情感识别中，多尺度对话语境学习方法应用于紧急呼叫录音的文本方式可以增强性能，但融入声学语境更具挑战性。

    Aug, 2023

  • 利用时空特征从 EEG 信号进行跨主体情感识别

    通过使用 EEG 信号和 CNN 层，本文提出了一种易于实现的情感识别模型，使用 DENS 数据集进行评估，并在情感极性评分上达到 73.04％的准确性。

    May, 2023

  • 基于语境的情感识别：使用 EMOTIC 数据集

    本研究提出一个多元感情图像数据集 EMOTIC，并通过 bounding box 、场景语境等方法训练多种卷积神经网络模型，结果表明场景语境对自动识别情感状态提供了重要信息，为情感识别领域的研究提供了新思路。

    Mar, 2020

  • 基于图对比学习的双阶段多模态情感识别模型

    我们提出了一种基于图形对比学习的两阶段情感识别模型（TS-GCL），通过将多模态数据与其他结构引入图形对比学习（GCL）策略，来学习模态内部和模态之间的相似性和差异性，并且通过两次使用 MLP 来实现最终的情感分类，实验证明，TS-GCL 在 IEMOCAP 和 MELD 数据集上相对于以往的方法具有卓越性能。

    Jan, 2024

  • EmT: 一种用于广义跨主题脑电情感识别的新型 Transformer

    将神经生理学的先前知识融入神经网络结构可提高情绪解码的性能。通过引入一种称为 EmT 的新型变压器模型，将 EEG 信号转换为时态图形式，并设计了一种用于学习时态上下文信息的模块，EmT 在广义跨受试者 EEG 情绪分类和回归任务中表现出色。

    Jun, 2024

  • 基于自我蒸馏的多模态会话情感识别的 Transformer 模型

    本文提出了一种基于自蒸馏 (SDT) 的基于变压器模型，该模型通过利用变压器来捕捉内部和跨模式之间的相互作用，并通过设计分层门控融合策略来动态学习模式之间的权重，并将所提出模型的软标签作为额外的训练监督，从而学习更具表现力的模式表示，实验证明 SDT 在 IEMOCAP 和 MELD 数据集上优于之前的最先进基线模型。

    Oct, 2023