头部至关重要：基于头部运动动力学的可解释以人为中心特质预测
机器学习
2021-12-16 v1
摘要
我们展示了称为运动基元（kinemes）的基本头部运动单元在行为分析中的效用，用于预测人格与面试特质。将头部运动模式转化为运动基元序列，有助于发现表征目标特质的潜在时间特征，从而实现高效且可解释的特质预测。利用运动基元和面部动作编码系统（FACS）特征预测（a）First Impressions Candidate Screening 视频上的 OCEAN 人格特质，以及（b）MIT 数据集上的面试特质，我们注意到：（1）以运动基元序列训练的 Long-Short Term Memory（LSTM）网络表现优于或以类似水平媲美以人脸图像训练的 Convolutional Neural Network（CNN）；（2）将 FACS 动作单元（AUs）与运动基元结合可实现准确预测与解释；（3）预测性能受头部与面部运动被观测的时间长度影响。
引用
@article{arxiv.2112.08068,
title = {Head Matters: Explainable Human-centered Trait Prediction from Head Motion Dynamics},
author = {Surbhi Madan and Monika Gahalawat and Tanaya Guha and Ramanathan Subramanian},
journal= {arXiv preprint arXiv:2112.08068},
year = {2021}
}
备注
10 pages, 10 figures, 6 tables. This paper is published in ICMI 2021