May, 2024

基于自监督学习的选择性强增强骨架序列的步态情感表征学习

PDF
TL;DR通过使用选择性强数据增强 (SSA) 的对比学习框架，通过有限标记的步态数据获得更加有效的情感表示，从而提高步态情感识别的效果。
emotion recognitionaffective computingself-supervised learninggait-based emotion recognitionselective strong augmentation
发现论文，激发创造
  • ST-Gait++：基于时空卷积的视频步态情绪识别

    通过分析步态，我们提出了一个深度框架用于情感识别，该模型由一系列空间 - 时间图卷积网络组成，用于生成稳健的基于骨架的情感分类任务的表示，评估结果显示相对于现有技术，准确率提高了约 5%，此外，我们观察到训练期间我们的模型比现有技术方法收敛更快。

    May, 2024

  • 一种具有局部感知的自监督步态编码方法用于基于三维骨架的人员重新识别

    本文提出了一种自监督步态编码方法，通过生成反向骨架序列实现了足够丰富的高层语义，并且结合局部感知机制和对比学习策略，设计出有效的步态编码，在人物重新识别领域中超过了其它方法达 15% 至 40% 的 Rank-1 准确度。

    Sep, 2020

  • SelfGait: 自监督步态识别的时空表示学习方法

    提出了一种自我监督步态识别方法 ——SelfGait，利用海量、多样的未标记步态数据作为预训练，以提高时空骨干的表示能力，经过在 CASIA-B 和 OU-MVLP 基准步态数据集上的实验，证明了所提方法相对于四种最先进的步态识别方法的有效性。

    Mar, 2021

  • 具有局部感知注意力的自监督步态编码用于人员再识别

    本研究提出一种新的基于骨架数据进行个人再识别的方法，利用无标记的骨架数据进行自我监督学习，结合局部关联注意机制和 Attention-based Gait Encodings 方法提取出更具区分性的步态特征，可有效提升现有基于骨架数据的方法 10-20％的排名 1 准确度，并且在与有 RGB 或深度信息的多模式方法相比时，表现相当甚至更优秀。

    Aug, 2020

  • 自监督的心电图表征学习用于情感识别

    本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。

    Feb, 2020

  • 使用注意力循环学习局部表征进行视角不变步态识别

    本研究提出一种基于卷积神经网络和循环神经网络的双向注意力模型，应用于步态识别领域。实验表明，该模型在数据采集和外观变化等因素影响下的识别性能优于其他方法，并对不同类型遮挡的数据具有更强的鲁棒性。

    Oct, 2020

  • 基于自监督学习的基于心电图的情感识别

    使用自我监督学习的心电图基于情感识别系统在分类唤醒度和价值评分方面表现出色，并且使用未标记的数据帮助该模型学习心电图特征流形。

    Oct, 2019

  • 无监督表示在语音情感识别中改善有监督学习

    该研究提出了一种创新的方法，通过将自我监督特征提取与监督分类相结合，从较小的音频片段中识别情感，提高了人机交互的情感理解能力。

    Sep, 2023

  • 自监督动作识别的极度增广骨架序列对比学习

    本文提出了一种利用极端数据增强和丰富信息挖掘来改进运动表示学习的对比学习框架 (AimCLR)，通过大量实验得出了其在三个数据集上的显着优越性。

    Dec, 2021

  • 基于解缠表示学习的步态识别

    该研究提出一种基于 AutoEncoder 框架、利用 RGB 成像中的姿态和外貌特征，以及对前方视角步行进行重点研究的 FVG 数据集来辅助鲁棒的步态识别方法，通过在 CASIA-B，USF 和 FVG 数据集上的大量实验证明了该方法具有优秀的识别性能、特征解缠能力和有前途的计算效率。

    Apr, 2019