MER-UniBench
PulseAugur coverage of MER-UniBench — every cluster mentioning MER-UniBench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AffectAgent框架通过协作智能体增强多模态情感识别
研究人员推出AffectAgent，一个旨在改进多模态情感识别的新型多智能体框架。该系统利用专业智能体之间的协作推理，比单智能体或标准检索增强生成方法更准确地分析情感状态。AffectAgent采用模态平衡专家混合（Modality-Balancing Mixture of Experts）和检索增强自适应融合（Retrieval-Augmented Adaptive Fusion）等技术来处理跨模态异质性和缺失数据，在MER-Uni…
-
新AI框架增强多模态情感推理能力，减少幻觉
研究人员推出了一种名为全感知策略优化（OPPO）的新型强化学习框架，旨在增强AI模型的多模态情感推理能力。OPPO通过提高模型利用多模态线索的能力并减少跨模态幻觉，解决了当前Omni-MLLM的局限性。该框架包含一个全感知奖励（Omni-Perception Reward），以鼓励视觉、听觉和情感线索的语义恢复；以及一个全感知损失（Omni-Perception Loss），以惩罚特定模态的证据标记并抑制幻觉。此外，还开发了一个新的诊…
-
新框架MER-R1通过双重思维协同提升多模态情感识别能力
研究人员开发了MER-R1，一个旨在通过协同慢速和快速思维过程来增强多模态情感识别（MER）的新型框架。与显式推理有时会影响准确性的传统方法不同，MER-R1利用强化学习来优化回忆和精确度。该框架将这两个目标分开，允许联合优化，并将慢速思维的输出与快速思维的直觉对齐，以抑制不正确的预测。在MER-UniBench和MME-Emotion数据集上的实验表明，MER-R1取得了最先进的性能，使推理成为情感识别的有益组成部分。
-
新的OmniOPSD框架增强了多模态LLM的推理能力
研究人员推出OmniOPSD，一个旨在改进多模态大语言模型（MLLMs）强化学习的新框架，特别是在奖励稀疏性是重大挑战的复杂推理任务中。该方法采用理据特权的策略内自蒸馏，其中生成的理据作为教师模型的特权证据，而不是学生模型的直接模仿目标。在MER-UniBench基准上进行的实验表明，OmniOPSD取得了84.19的平均分，达到了最先进的性能，验证了这种理据特权教师指导的有效性。