M3ED: Multi-modal multi-scene multi-label emotional dialogue database
PulseAugur coverage of M3ED: Multi-modal multi-scene multi-label emotional dialogue database — every cluster mentioning M3ED: Multi-modal multi-scene multi-label emotional dialogue database across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的MERP框架增强了多模态情感识别的鲁棒性
研究人员开发了MERP，一个专为鲁棒多模态多标签情感识别设计的新型框架。该系统通过学习一个紧凑的潜在表示来解决在部署过程中某些数据流（文本、视觉、声学）缺失时性能下降的挑战。MERP能从任何可用的模态子集中有效提取情感特定证据，在CMU-MOSEI和M3ED等基准数据集上，即使在大量模态丢失的情况下，其微F1分数也显示出显著的提高。
-
新的预测方法改进了对标注者投票的预测
研究人员开发了一种名为部分揭示面板预测 (Partial-Revelation Panel Forecasting) 的新方法，用于在给定先前轮次的部分投票集的情况下，预测对话轮次上标注者投票的完整分布。该方法旨在通过考虑不同轮次之间的依赖关系来提高预测信息增益，这与同一项目的标注值不同。该研究引入了粗粒度一致面板算子 (coarsening-consistent panel operators)，并在多个情感对话数据库上证明了它们的…
-
New CELL method enhances event-camera localization in LiDAR maps
研究人员开发了一种名为CELL的新方法，用于改进事件相机在LiDAR地图中的定位。该技术学会为事件图像和LiDAR深度视图之间的对应关系分配置信度分数，解决了深度较大处的对应关系对姿态估计信息量较少的偏差。通过使用可微分的概率性PnP求解器，CELL能够端到端地学习这些置信度，然后在训练期间用于重新加权监督，并在测试时优化姿态估计。CELL系统在M3ED和DSEC数据集上展示了改进，与LEAR基线相比，中值平移误差最多降低了26.9%…
-
新框架模拟对话中的情感转换
研究人员开发了一个名为贝叶斯谱情感转换发现（BSETD）的新框架，用于分析对话中情感的转变方式。与依赖多数投票的先前方法不同，该方法考虑了多标注者判断中的不确定性。BSETD将情感转换分解为惯性和传染性成分，揭示了诸如厌恶与愤怒之间的联系以及从喜悦到愤怒的转换代表性不足等模式。