ترجمه فارسی مقاله شبکه ابرمجموعه سلسله مراتبی برای تشخیص احساسات چندوجهی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Hierarchical Hypercomplex Network for Multimodal Emotion Recognition
عنوان مقاله به فارسی شبکه ابرمجموعه سلسله مراتبی برای تشخیص احساسات چندوجهی
نویسندگان Eleonora Lopez, Aurelio Uncini, Danilo Comminiello
فرمت مقاله انگلیسی PDF
تعداد صفحات 6
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024. , Comments: The paper has been accepted at MLSP 2024
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این مقاله در MLSP 2024 پذیرفته شده است
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Emotion recognition is relevant in various domains, ranging from healthcare to human-computer interaction. Physiological signals, being beyond voluntary control, offer reliable information for this purpose, unlike speech and facial expressions which can be controlled at will. They reflect genuine emotional responses, devoid of conscious manipulation, thereby enhancing the credibility of emotion recognition systems. Nonetheless, multimodal emotion recognition with deep learning models remains a relatively unexplored field. In this paper, we introduce a fully hypercomplex network with a hierarchical learning structure to fully capture correlations. Specifically, at the encoder level, the model learns intra-modal relations among the different channels of each input signal. Then, a hypercomplex fusion module learns inter-modal relations among the embeddings of the different modalities. The main novelty is in exploiting intra-modal relations by endowing the encoders with parameterized hypercomplex convolutions (PHCs) that thanks to hypercomplex algebra can capture inter-channel interactions within single modalities. Instead, the fusion module comprises parameterized hypercomplex multiplications (PHMs) that can model inter-modal correlations. The proposed architecture surpasses state-of-the-art models on the MAHNOB-HCI dataset for emotion recognition, specifically in classifying valence and arousal from electroencephalograms (EEGs) and peripheral physiological signals. The code of this study is available at https://github.com/ispamm/MHyEEG.

چکیده به فارسی (ترجمه ماشینی)

شناخت احساسات در حوزه های مختلف مرتبط است ، از مراقبت های بهداشتی گرفته تا تعامل انسان و رایانه.سیگنال های فیزیولوژیکی ، فراتر از کنترل داوطلبانه ، برخلاف بیان گفتار و صورت که می توانند در خواست خود کنترل شوند ، اطلاعات قابل اعتماد را برای این منظور ارائه می دهند.آنها منعکس کننده پاسخهای عاطفی واقعی ، عاری از دستکاری آگاهانه هستند و از این طریق اعتبار سیستم های تشخیص احساسات را تقویت می کنند.با این وجود ، شناخت احساسات چند حالته با مدل های یادگیری عمیق یک زمینه نسبتاً ناشناخته است.در این مقاله ، ما یک شبکه کاملاً HyperComplex با یک ساختار یادگیری سلسله مراتبی را معرفی می کنیم تا همبستگی ها را به طور کامل ضبط کنیم.به طور خاص ، در سطح رمزگذار ، مدل روابط درون ماده ای را بین کانال های مختلف هر سیگنال ورودی می آموزد.سپس ، یک ماژول همجوشی HyperComplex روابط بین حالت را بین تعبیه روشهای مختلف می آموزد.تازگی اصلی در بهره برداری از روابط داخل معدنی با وقف کردن رمزگذارها با پیچیدگی های HyperComplex پارامتری (PHC) است که به لطف جبر HyperComplex می تواند تعامل بین کانال را در روشهای واحد ضبط کند.در عوض ، ماژول فیوژن شامل ضرب های HyperComplex پارامتری (PHMS) است که می تواند همبستگی بین حالت را مدل کند.معماری پیشنهادی برای تشخیص احساسات ، به طور خاص در طبقه بندی ظرفیت و برانگیختگی از الکتروانسفالوگرام (EEG) و سیگنال های فیزیولوژیکی محیطی ، از مدل های پیشرفته در مجموعه داده های Mahnob-HCI پیشی می گیرد.کد این مطالعه در https://github.com/ispamm/mhyeeg در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.