新的CONFER框架通过协商冲突数据改进多模态情感识别

研究人员开发了CONFER，一个新颖的框架，旨在通过解决自我报告标签的不可靠性和不同数据模态之间的冲突来改进多模态情感识别。这种基于图的方法在模态专家之间协商证据，估计它们的预测信念、不确定性和运行时可靠性。CONFER将样本分为共识、异议和模糊政权，用于弱标签校准，在严格的留一法交叉验证协议下，在AMIGOS-V上的准确率为0.873，在MAHNOB-V上的准确率为0.854，表现具有竞争力。该框架有效地利用了跨模态冲突信息进行协调和监督可靠性估计，显示出对损坏的弱标签的鲁棒性增强。 AI

影响 通过有效处理冲突数据和不可靠标签，提高了多模态情感识别的准确性。

排序理由 该集群包含一篇详细介绍多模态情感识别新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• AMIGOS
• arXiv
• DEAP
• Hugging Face
• MAHNOB-HCI
• MAHNOB-V

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →