机构名称：
¥ 1.0
摘要 - 情绪可以从一个人的步态（即他们的步行风格）中感知。关于步态情绪识别的现有方法主要利用姿势信息作为输入，但忽略了身体运动，其中包含互补信息，以识别步态中引起的情绪。在本文中，我们提出了一个双边姿势和运动图卷积网络（BPM-GCN），该网络由两个平行流组成，即姿势流和运动流，以识别两种观点的情绪。姿势流旨在明确分析人的情绪状态。具体来说，我们根据手工设计的功能设计了一种新颖的回归约束，以将先前的情感知识提炼到网络中并增强表示形式学习。运动流旨在描述情感的强度，这是识别情绪的隐含提示。为了实现这一目标，我们采用了一个高阶速度加速对来构建图形，其中使用了信息性运动功能。此外，我们设计了PM相互作用的特征融合机制，以适应两条流的特征。因此，这两个流从两个互补视图中协作为性能做出了贡献。在最大的基准数据集情绪基准上进行的广泛实验表明，BPM-GCN对最先进的方法表现出色（至少有4个。59％的绩效提高）。源代码在https://github.com/exped1230/bpm-gcn上发布。
纸 - ORCA - 在线研究 @ Cardiff
主要关键词
相关文件推荐
