EmoNets: Multimodal deep learning approaches for emotion recognition in\n video
Notice bibliographique
Résumé
The task of the emotion recognition in the wild (EmotiW) Challenge is to\nassign one of seven emotions to short video clips extracted from Hollywood\nstyle movies. The videos depict acted-out emotions under realistic conditions\nwith a large degree of variation in attributes such as pose and illumination,\nmaking it worthwhile to explore approaches which consider combinations of\nfeatures from multiple modalities for label assignment. In this paper we\npresent our approach to learning several specialist models using deep learning\ntechniques, each focusing on one modality. Among these are a convolutional\nneural network, focusing on capturing visual information in detected faces, a\ndeep belief net focusing on the representation of the audio stream, a K-Means\nbased "bag-of-mouths" model, which extracts visual features around the mouth\nregion and a relational autoencoder, which addresses spatio-temporal aspects of\nvideos. We explore multiple methods for the combination of cues from these\nmodalities into one common classifier. This achieves a considerably greater\naccuracy than predictions from our strongest single-modality classifier. Our\nmethod was the winning submission in the 2013 EmotiW challenge and achieved a\ntest set accuracy of 47.67% on the 2014 dataset.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».