May, 2024

增强情感语义学习的多标签增量情感解码

PDF
TL;DR提出了一种增强的情感语义学习框架，用于多标签类别增量情感解码，通过标签消歧和知识蒸馏解决了部分标签问题和遗忘问题，实验证明该方法在提高情感解码性能和减轻多标签类别增量学习中的遗忘问题方面优于现有方法。
emotion decodingaffective human-computer interactionmulti-label class incremental learningemotional semantics learningcatastrophic forgetting
发现论文，激发创造
  • 基于人脑多视角多标签细粒度情感解码

    本文提出了一种用于通过大脑活动数据进行情绪识别的新型多视图、多标签的混合模型，可以同时学习表达性的神经表示并多元预测情绪状态，通过实验表明该方法具有较高的识别准确率。

    Oct, 2022

  • 情感反应预测的标签语义建模

    本论文提出一种基于标签语义的情感标注模型，包括标签 embedding 和半监督策略，并在情感推断任务方面取得了领先研究成果。

    Jun, 2020

  • 情感 - LLaMA: 多模态情感识别与推理，通过指导调优

    为了解决情感识别中的单模态方法在捕捉真实世界情感表达复杂性方面的局限性，我们提出了 MERR 数据集和 Emotion-LLaMA 模型，通过整合音频、视觉和文本输入，显著提高情感识别能力，并在 evaluations 中取得了优异的成绩。

    Jun, 2024

  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022

  • 对话中多模式情感识别的深度不平衡学习

    通过设计多模态生成对抗网络、深度联合变分自编码器和多任务图神经网络等方法，提出了一种处理情感识别中数据不平衡的模型，取得了跨模态情感识别的一定性能改进，尤其在恐惧和厌恶情绪标签的准确性和 F1 值上提高了 10％到 20％。

    Dec, 2023

  • 利用标签信息进行多模态情感识别

    通过利用标签信息进行多模态情绪识别，我们提出了一种新的方法，通过标签 - 令牌和标签 - 帧交互来学习每个话语的标签增强文本 / 语音表示，并设计了一种新的标签引导的注意融合模块，以融合具有标签意识的文本和语音表示进行情绪分类，实验证明该方法优于现有基线并取得了最新的最佳性能。

    Sep, 2023

  • 通过多模式关联估计弥合情感语义差距

    研究了多模态情感识别中不同模态表达的语义相关性，并提出了一种多模态相关性估计网络，能够有效地捕捉相关语义，特别是对于模态语义的大偏差具有较好的效果。

    Feb, 2023

  • 不完整多模态情感数据的半监督深度生成建模

    本文提出了一种基于多视角深度生成性框架的新方法，通过多模式专用生成网络对多模态情感数据的统计关系进行建模，基于高斯混合分布对共享潜在变量的后验分布进行假设，以解决单一模式情感数据识别困难、手动注释代价高昂、情感数据存在缺失模态问题等问题，并在两种真实的多模态情感数据集上进行了实验验证。

    Jul, 2018

  • 一种用于在线增量学习语义分割的 EM 框架

    本文提出了一种基于期望最大化 (EM) 框架的增量学习策略，用于快速适应深度分割模型的新类别，具有更好的效果和稳定性，并应用于 PASCAL VOC 2012 和 ADE20K 数据集上进行验证。

    Aug, 2021

  • 多标签环境中的标签相关性利用：情感分析案例研究

    论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。

    Oct, 2022