研究人员开发了一种新颖的音频-文本系统，用于识别视频中的矛盾和犹豫，专门为第11届ABAW竞赛设计。该方法以5秒为窗口处理视频，整合了韵律音频描述符、RoBERTa嵌入以及捕捉不确定性和冲突的语言线索的手工特征。该系统采用时间交叉注意力机制融合音频和文本，支持特征影响门控多实例学习池。在开发集上，五个模型的集成达到了0.875的平均精度和0.72的宏F1分数，源代码已公开。 AI
影响 为分析视频内容中细微的人类情感和沟通风格引入了一种新方法。
排序理由 学术论文，详细介绍了一种用于特定识别任务的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
