Multimodal Emotion Recognition with Cross-Attentive Learning and Feature Fusion
Notice bibliographique
Résumé
Multi-Modal Emotion Recognition (MMER) plays a crucial role in enhancing human-computer interaction to interpret and respond to human emotions. While existing methods mostly rely on handcrafted features or simple feature concatenation, we introduce a new approach that refines multimodal fusion through cross-attention, enabling the learning of hierarchical dependencies directly from raw data. This allows for more effective interaction between modalities, improving emotion classification. We propose an MMER framework that integrates audio, text, and video modalities, leveraging deep learning models tailored to each data source. A cross-attention mechanism is employed to fuse information across modalities, ensuring the model focuses on the most salient emotional cues. Additionally, focal loss is used to address class imbalance, enhancing recognition of underrepresented emotional states. Evaluated on the IEMOCAP dataset, the proposed model achieves an average accuracy of 88.31% and an F1-score of 76.43%, outperforming existing state-of-the-art methods. These results demonstrate the system’s robustness in recognizing emotions in complex scenarios, highlighting its potential for real-world applications requiring accurate emotion assessment. The source code is available at: https://github.com/alaaNfissi/Mental-Health-Monitoring-MMER.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».