用于参与度强度回归的自举模型集成与排序损失
计算机视觉与模式识别
2019-07-09 v1
摘要
本文给出我们针对 EmotiW 2019 参与度强度回归任务的方法。该任务是在各种条件下预测学生观看在线 MOOCs 视频时的参与度强度值。基于我们去年的冠军方案,本文主要探索以自举策略和两种新损失函数来处理头部特征与身体特征。我们保持了带有长短期记忆(LSTM)网络的多示例学习框架,并作出三点贡献。首先,除视线与头部姿态特征外,我们在框架中探索了面部关键点特征。第二,受参与度强度可按数值排序这一事实启发,我们设计了一种排序损失作为正则化,其对远距离类别对与相邻类别对的特征强制距离间隔。第三,我们使用经典的自举聚合方法进行模型集成,即多次随机采样一定训练数据而后对模型预测取平均。我们评估了方法性能并讨论了各部分在验证集上的影响。我们的方法最终以测试集上 0.0626 的 MSE 获得第三名。
引用
@article{arxiv.1907.03422,
title = {Bootstrap Model Ensemble and Rank Loss for Engagement Intensity Regression},
author = {Kai Wang and Jianfei Yang and Da Guo and Kaipeng Zhang and Xiaojiang Peng and Yu Qiao},
journal= {arXiv preprint arXiv:1907.03422},
year = {2019}
}
备注
This paper is about EmotiW 2019 engagement intensity regression challenge