ترجمه فارسی مقاله محاسبات عاطفی چند مدلی مبتنی بر ویدیویی مبتنی بر ویدیویی محور پایان به پایان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی End-to-end Semantic-centric Video-based Multimodal Affective Computing
عنوان مقاله به فارسی محاسبات عاطفی چند مدلی مبتنی بر ویدیویی مبتنی بر ویدیویی محور پایان به پایان
نویسندگان Ronghao Lin, Ying Zeng, Sijie Mai, Haifeng Hu
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,Multimedia,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین , چندرسانه ای ,
توضیحات Submitted 14 August, 2024; originally announced August 2024. , Comments: Under Review
توضیحات به فارسی ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: تحت بررسی
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

In the pathway toward Artificial General Intelligence (AGI), understanding human's affection is essential to enhance machine's cognition abilities. For achieving more sensual human-AI interaction, Multimodal Affective Computing (MAC) in human-spoken videos has attracted increasing attention. However, previous methods are mainly devoted to designing multimodal fusion algorithms, suffering from two issues: semantic imbalance caused by diverse pre-processing operations and semantic mismatch raised by inconsistent affection content contained in different modalities comparing with the multimodal ground truth. Besides, the usage of manual features extractors make they fail in building end-to-end pipeline for multiple MAC downstream tasks. To address above challenges, we propose a novel end-to-end framework named SemanticMAC to compute multimodal semantic-centric affection for human-spoken videos. We firstly employ pre-trained Transformer model in multimodal data pre-processing and design Affective Perceiver module to capture unimodal affective information. Moreover, we present a semantic-centric approach to unify multimodal representation learning in three ways, including gated feature interaction, multi-task pseudo label generation, and intra-/inter-sample contrastive learning. Finally, SemanticMAC effectively learn specific- and shared-semantic representations in the guidance of semantic-centric labels. Extensive experimental results demonstrate that our approach surpass the state-of-the-art methods on 7 public datasets in four MAC downstream tasks.

چکیده به فارسی (ترجمه ماشینی)

در مسیر به سمت هوش عمومی مصنوعی (AGI) ، درک محبت انسان برای تقویت توانایی های شناخت دستگاه ضروری است.برای دستیابی به تعامل حسی تر انسان و آه ، محاسبات عاطفی چند حالته (MAC) در فیلم های گفتاری انسان توجه فزاینده ای را به خود جلب کرده است.با این حال ، روشهای قبلی عمدتاً به طراحی الگوریتم های فیوژن چندمودال اختصاص داده شده است ، که از دو موضوع رنج می برند: عدم تعادل معنایی ناشی از عملیات متنوع پیش پردازش و عدم تطابق معنایی ناشی از محتوای محبت متناقض که در مقایسه با حقیقت زمین چندمودالی وجود دارد.علاوه بر این ، استفاده از ویژگی های کتابچه راهنمای کاربر باعث می شود که آنها در ساخت خط لوله پایان به پایان برای چندین کار در پایین دست MAC شکست بخورند.برای پرداختن به چالش های فوق ، ما یک چارچوب پایان به پایان به نام SemanticMac را برای محاسبه محبت معنایی چند مدلی محور برای فیلم های گفتاری انسان پیشنهاد می کنیم.ما در مرحله اول از مدل ترانسفورماتور از قبل آموزش دیده در داده های چند حالته پیش پردازش و طراحی ماژول Perceiver عاطفی برای گرفتن اطلاعات عاطفی غیرمجاز استفاده می کنیم.علاوه بر این ، ما یک رویکرد معنایی محور برای متحد کردن یادگیری بازنمایی چندمودال از سه روش ، از جمله تعامل ویژگی های دروازه ، تولید شبه چند کاره و یادگیری متضاد داخل/نمونه ارائه می دهیم.سرانجام ، معنایی به طور موثری بازنمایی های معنایی خاص و مشترک را در راهنمایی برچسب های معنایی محور یاد می گیرد.نتایج تجربی گسترده نشان می دهد که رویکرد ما از روشهای پیشرفته در 7 مجموعه داده عمومی در چهار کار پایین دست MAC فراتر می رود.

📚 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.