Contextually-rich human affect perception using multimodal scene information

要約

人間の感情を理解するプロセスには、画像、音声、言語などのさまざまな情報源から個人固有の感情状態を推測する能力が含まれます。
画像からの影響知覚は、主に顕著な顔の切り抜きから抽出された表情に焦点を当ててきました。
ただし、人間が知覚する感情は、社会的設定、前景の相互作用、周囲の視覚的シーンなど、複数の文脈上の手がかりに依存しています。
この作業では、事前トレーニング済みの視覚言語 (VLN) モデルを活用して、画像から前景コンテキストの説明を抽出します。
さらに、マルチモーダル コンテキスト フュージョン (MCF) モジュールを提案して、フォアグラウンド キューをビジュアル シーンおよび人物ベースのコンテキスト情報と組み合わせて感情予測を行います。
自然のシーンとテレビ番組に関連する 2 つのデータセットで、提案したモジュール設計の有効性を示します。

要約(オリジナル)

The process of human affect understanding involves the ability to infer person specific emotional states from various sources including images, speech, and language. Affect perception from images has predominantly focused on expressions extracted from salient face crops. However, emotions perceived by humans rely on multiple contextual cues including social settings, foreground interactions, and ambient visual scenes. In this work, we leverage pretrained vision-language (VLN) models to extract descriptions of foreground context from images. Further, we propose a multimodal context fusion (MCF) module to combine foreground cues with the visual scene and person-based contextual information for emotion prediction. We show the effectiveness of our proposed modular design on two datasets associated with natural scenes and TV shows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google