跨数据集的涌现领导力检测

从小群体非言语行为中自动检测涌现领导者是社会信号 processing 中一个日益增长的研究课题，但现有方法仅在单一数据集上评估——这对真实世界应用而言是不现实的假设，因为系统还需在训练时未见的场景中工作。因此，当前涌现领导力检测方法能否泛化到相似但全新的场景、以及泛化到何种程度，仍不清楚。为克服此局限，我们首次研究了涌现领导力检测任务的跨数据集评估设定。我们利用两个当前数据集（PAVIS 与 MPIIGroupInteraction）给出了数据集内与跨数据集预测的评估，并考察了常用特征通道（视觉注意焦点、身体姿态、面部动作单元、说话活动）在跨数据集设定下的鲁棒性以及在线预测。我们的评估表明，使用基于姿态与眼神接触的特征，跨数据集预测可达到 0.68 的准确率，从而为真实世界中涌现领导力检测这一难题提供了又一重要拼图。