CAGE：基于环形情感引导的表情推理
计算机视觉与模式识别
2024-04-24 v1
摘要
理解情绪和表情是跨越多个领域的关注点，尤其对于提高用户体验而言。与常见观念相反，情绪并非离散实体，而是沿着连续体存在。人们由于文化背景、个人经历和认知偏见等因素，对离散情绪的理解存在差异。因此，依赖离散类别标签的表情理解方法本质上都具有偏见。本文提出了一种基于环形情感模型组件对两个常见数据集 (AffectNet 和 EMOTIC) 的比较性深入分析。进一步，我们提出了一个针对轻量级应用的表情预测模型。使用基于小规模 MaxViT 的模型架构，我们评估了离散表情类别标签在训练中与连续的价值和唤醒标签的影响。我们表明，除了离散类别标签外，考虑价值和唤醒也能显著提高表情推理效果。该模型在 AffectNet 上超越当前最先进的模型，实现的价值和唤醒推理 RMSE 降低了 7%。训练脚本和已训练好的模型可在此处获取：https://github.com/wagner-niklas/CAGE_expression_inference。
引用
@article{arxiv.2404.14975,
title = {CAGE: Circumplex Affect Guided Expression Inference},
author = {Niklas Wagner and Felix Mätzler and Samed R. Vossberg and Helen Schneider and Svetlana Pavlitska and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2404.14975},
year = {2024}
}
备注
Accepted for publication at ABAW Workshop at CVPR2024