- 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。
- MasonTigers 在 SemEval-2024 任务 10 中：与 Transformer 和提示的集成中的对话中的情感发现和翻转推理
该研究报告介绍了 MasonTigers 团队参与 SemEval-2024 任务 10 的情感识别和理解逻辑翻转方面在单语英语和混合英语 - 印地语对话中的表现。通过开发准确的情感识别和推理方法，我们在每个子任务中获得了 0.78、0.7 - 多模态情绪阅读器：预训练模型增强跨主体情绪识别
基于脑电图 (EEG) 的情绪识别引起了重要关注，在神经信号处理和情感计算等领域有了多样化的发展。然而，个体的独特脑解剖结构导致不可忽视的自然差异，在主题间情绪识别中存在挑战。为了克服这些限制，我们开发了一个基于预训练模型的多模式情绪识别器 - 音视频情感识别的细节增强的模态内外交互
我们提出了一个基于详细增强的模态内部和模态间交互网络（DE-III）的音频 - 视觉情感识别方法，利用光流信息丰富视频的纹理细节以捕捉面部状态变化，进一步改进视频和音频的丰富性和可区分性，通过详细的定量评估，我们的模型在三个基准数据集上都超 - ComFace：人脸对比的合成数据人脸表示学习
通过使用合成图像来捕捉人脸图像中的个体间面部差异和个体内面部变化，我们提出了一种名为 ComFace 的人脸表征学习方法，用于医疗、保健和情感识别领域的个体面部变化的监测。我们的方法在只使用合成数据进行训练的情况下，实现了与使用真实图像进行 - CVPRST-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 - 大型视觉语言模型的语境情感识别
在这篇研究论文中，我们使用最近的大型视觉语言模型来探讨两种主要方法：图像字幕生成与仅使用语言的 LLM，以及零样本和微调设置下的视觉语言模型。我们在 Emotions in Context（EMOTIC）数据集上评估这些方法，并展示出即使在 - 一种基于监督信息增强的多粒度对比学习框架在基于脑电的情感识别中的应用
通过引入一种新的基于 EEG 的情绪识别方法，本研究提出了一种名为 SICLEER 的监督信息增强对比学习框架。通过多粒度对比学习，SICLEER 创建了稳健的 EEG 上下文表示，提高了情绪识别的准确性。与现有方法不同，本研究提出了一种联 - 解码抽象艺术中的情感：CLIP 在识别颜色 - 情感关联中的认知合理性
本研究调查了预训练的多模态模型 CLIP 在识别抽象视觉艺术所引发的情感方面的认知合理性。我们使用包含带有情感标签和人类注释员提供的文本证明的图像的数据集进行研究。我们对证明进行语言分析，对图像和证明进行零 - shot 情感分类，并应用基 - 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。
- 情感语调在神经机器翻译中的实用性
通过将语音情感信息集成到神经机器翻译系统中，可以提高翻译质量。
- 一步到位：基于分离的主题 - 上下文 Transformer 的单阶段情感识别
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。
- CVPREmoVIT：利用视觉指令调整革新情绪洞察
以 EmoVIT 架构为基础，使用 GPT 辅助流程生成情感视觉指令数据，并通过广泛实验证明了模型在情感分类、情感推理和幽默理解方面的能力，为语言模型时代的情感视觉指导调整提供了强有力的基准，并为未来的探索打开了新的可能性。
- 真实情绪映射：实时新闻中面部表情基准测试
使用从逼真的新闻视频中提取的面部地标的情感识别的一种新方法，采用图神经网络分析面部地标的几何和空间关系，提高情感识别的理解和准确性。该方法通过构建基准数据集展示了其可行性和潜力，为情感识别技术的未来研究指明了新的方向。
- 以情感为中心的模型缓解面部表情识别中的灾难性遗忘
生成对抗网络生成的图像以及假排练方法能够增强卷积神经网络在情绪识别中的性能，保留之前学习到的知识，同时提高对目标数据集和源数据集的训练。
- 跨语料 EEG 情感识别的特征对齐联合对比学习
本研究提出了一种新颖的联合对比学习框架与特征对齐模型（JCFA Model），用于解决跨语料库的基于脑电图（EEG）的情感识别问题。在两个主要阶段中，JCFA Model 通过联合领域对比学习策略，在无需标记数据的情况下，提取每个 EEG - 利用数据增强提高情绪价值和唤起度预测中的个性化
通过距离加权增强的个性化策略，本文提出了一种针对连续情绪价值和激活度预测开发的个性化模型，实验结果表明在低基线性能特征集上改善了性能，而在高性能特征上保持一致，在现实世界环境中提高了数据层面个性化的实用性和适应性。
- 基于面部情绪识别的音乐推荐
通过集成情感识别、音乐推荐和可解释人工智能，利用 GRAD-CAM 的方法可以提高用户体验。在情感分类上，该系统的准确率达到 82％，并利用 GRAD-CAM 提供预测的解释，使用户能够理解系统推荐背后的原因。该论文提出的方法利用 ResN - Thelxinoë：使用瞳孔测量和机器学习识别人类情绪
使用瞳孔测量的虚拟现实情绪识别方法，通过分析虚拟现实头戴设备对视觉和听觉刺激的瞳孔直径响应，从时域、频域和时频域提取关键特征并利用特征选择获取最重要的特征，再应用集成学习技术中的梯度提升模型，通过特征工程将准确率从 84.9% 提升至 98 - 大型语言模型中先验知识的强大吸引力及其对情绪识别的影响
我们的研究通过设计实验和提出度量方法，明确量化了 LLMs 在情绪识别中的先验一致性以及其对后验的影响。结果显示，LLMs 在情绪识别中存在强烈但不一致的先验，导致预测表现固化。同时，研究还发现模型越大，这种影响越强。因此，在情感为中心的任