基于多任务表示学习的动作-情感分类与形变
计算机视觉与模式识别
2016-03-22 v1 人工智能
人机交互
机器学习
摘要
近期大多数工作关注面部表情的情感分析，而对身体情感的关注较少。本工作聚焦于身体情感分析。情感并非孤立发生。在自然交互中，人类通常将情感与动作耦合；例如，一个人可以边说话边微笑。在序列中识别身体情感需要高效的算法来捕捉区分快乐与悲伤的微运动，以及不同动作之间的宏观变化。我们摒弃传统的时间序列数据分析方法，提出一种多任务学习模型，该模型学习一个既适用于动作-情感分类也适用于生成的共享表示。本文选择条件受限玻尔兹曼机作为构建模块。我们提出一个新模型，通过引入因子化多任务组件来增强CRBM模型，形成多任务条件受限玻尔兹曼机（MTCRBM）。我们在两个公开数据集（Body Affect数据集和Tower Game数据集）上评估了我们的方法，结果显示其分类性能优于现有最优方法，并展示了我们模型的生成能力。
引用
@article{arxiv.1603.06554,
title = {Action-Affect Classification and Morphing using Multi-Task Representation Learning},
author = {Timothy J. Shields and Mohamed R. Amer and Max Ehrlich and Amir Tamrakar},
journal= {arXiv preprint arXiv:1603.06554},
year = {2016}
}