- 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。
- 情感唤起图像增强方法的评估与比较
通过生成对抗网络(GANs)创建情感计算的刺激数据集,探索了一种替代传统数据集准备方法的方案,包括使用不同的 GAN 架构、数据增强和迁移学习技术,在情感计算的领域中显示出有希望的生成情感激发性的合成图像,为未来的研究和改进提供了重要的潜力 - DogFLW: 野外犬脸部关键点数据集
动物情感计算是一个快速发展的研究领域,目前关注于动物内部状态的自动追踪,如疼痛和情绪,动物的面部表情可以用来传达这些状态信息,本文基于狗的面部解剖标志物的方案,开发了一个包含 3274 张狗的图像的数据集,名为 DogFLW 数据集。
- LMVD:野外大规模多模式抑郁检测 Vlog 数据集
通过建立大规模的多模态 vlog 数据集(LMVD),提出了一种名为 MDDformer 的新架构来学习个体的非语言行为,对 LMVD 数据集进行全面验证,证明了在抑郁症检测中表现出优越性能。
- 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
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。
- 基于流形的动态分布方法改进的跨主体和跨会话基于脑电情感识别的非深度迁移学习
提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution(MDDD)的新型非深度转移学习方法,通过优化 Grassmann 流形空间,动态对齐源域和目标域,结合分类器 - 基于面部特征点和时空图卷积网络的参与度测量
介绍一种通过人工智能和情感计算来测量虚拟学习中学生参与度的隐私保护方法,该方法利用从视频中提取的没有个人身份信息的面部标志点,通过 Spatial-Temporal Graph Convolutional Network (ST-GCN) - 关于 ChatGPT 在情感计算中的提示敏感性
通过敏感度分析和评估不同提示或生成参数对 foundation models 的性能敏感程度,探索 affective computing 领域中的 prompting 技术,以及对情感分析、毒性检测和讽刺检测等任务的性能影响。
- GPT 作为心理学家?关于 GPT-4V 在视觉情感计算中的初步评估
Multimodal language models (MLMs) are applied in affective computing, evaluating their performance in facial action unit - 情感工具箱:适用于所有人的情感分析
在情感计算领域,我们提供了一个名为 AffectToolbox 的软件系统,通过图形用户界面,它能够无需编程知识可靠地分析用户的情感状态,并通过多通道和多模态的情感识别模型以及融合系统提供统一结果。该软件系统是开源的,并且可轻松集成到更复杂 - 透过对比预训练提升的评论辅助视频语言对齐用于短视频幽默检测
提出了一种新颖的两分支分层模型用于短视频幽默检测 (SVHD),命名为 Comment-aided Video-Language Alignment (CVLA),该模型通过数据增强的多模态对比性预训练,在各种模态通道上对原始信号进行操作, - 语音与文本情感识别器
情感计算是一门研究领域,专注于开发能够理解、解释和响应人类情感的系统和技术。本研究主要针对公开可用的情感标签数据集稀缺和不平衡的问题,通过合并这些数据集以及采用各种语音数据增强技术构建了一个均衡的语料库,并在语音情感识别方面尝试了不同的架构 - 情绪心理理论:快速视觉处理与缓慢语言推理的桥梁
在 Emotions in Context(EMOTIC)数据集上,评估了最近的大规模视觉语言模型(CLIP,LLaVA)和大语言模型(GPT-3.5)中嵌入的情绪常识知识。使用一组 872 个与 26 个情绪类别相关的物理社交信号描述和 - 视频情绪识别综述
本文选择 2015 年至 2023 年间发表的论文,系统总结了关于视频情感识别的现有研究趋势,讨论了典型情感模型、常用数据库以及现代单模态和多模态视频情感识别方法的结构和性能,并比较了它们的优缺点。此外,总结了目前视频情感识别项目所面临的主 - 基于生理信号和眼动的游戏类型识别
自动信号解读在情感计算和人类活动识别领域有许多令人印象深刻的应用。本文探讨了通过一组特定信号对认知活动进行识别的可能性,并以参与者所玩游戏的识别作为问题探索的基础。我们构建了三种不同游戏(Space Invaders,Tetris,Towe - EmoCLIP: 一种用于零样本视频人脸表情识别的视觉 - 语言方法
通过采用样本级文本描述(即上下文、表情或情感线索的标题)作为自然语言监督,我们提出了一种新颖的视觉 - 语言模型,旨在增强丰富的潜在表示的学习,以进行零样本分类。通过对四个流行的动态情感识别数据集进行模型测试,我们发现与基线方法相比,该方法 - 情感游戏计算:一项综述
该论文综述了应用于游戏的情感计算原理、方法和工具的最新研究现状,并通过情感循环的四个核心阶段:游戏情感唤起、游戏情感感知、游戏情感检测和游戏情感适应,对这个新兴领域进行了回顾。此外,我们还提供了一个用于分类考察情感游戏循环的术语、方法和方法 - ChatGPT 在情感计算任务上的广泛评估
基于 ChatGPT 模型的广泛研究评估了 GPT-4 和 GPT-3.5 在 13 个影响计算问题上的性能,发现它们在涉及情感、情绪和毒性等问题上表现出色,但在涉及隐性信号的问题上表现较差,如参与度测量和主观性检测。
- 重塑情绪识别建模:广义大模型的出现
综合研究了大语言模型在情感识别中的性能,包括上下文学习、少样本学习、准确性、泛化能力和解释性,并提供了一些见解和潜在挑战,以促进情感识别在新的先进和广义大模型时代的发展。
- 基于脑电图的认知负荷分类:特征屏蔽自编码和情感迁移学习
本文介绍了一种使用脑电图的认知负荷分类的新方法,采用变压器架构与迁移学习,利用自监督预训练和冻结权重与微调的迁移学习来进行认知负荷分类,实验证明该方法表现优秀且胜过传统的单阶段全监督学习,研究为情感计算中的认知负荷领域增加了新的文献,为未来