亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Deep Learning for Human Affect Recognition: Insights and New Developments

深度学习 人工智能 计算机科学 领域(数学) 机器学习 特征(语言学) 情感计算 人工神经网络 光学(聚焦) 情感(语言学) 深层神经网络 心理学 语言学 哲学 物理 数学 沟通 纯数学 光学
作者
Philipp V. Rouast,Marc T. P. Adam,Raymond Chiong
出处
期刊:IEEE Transactions on Affective Computing [Institute of Electrical and Electronics Engineers]
卷期号:12 (2): 524-543 被引量:127
标识
DOI:10.1109/taffc.2018.2890471
摘要

Automatic human affect recognition is a key step towards more natural human-computer interaction. Recent trends include recognition in the wild using a fusion of audiovisual and physiological sensors, a challenging setting for conventional machine learning algorithms. Since 2010, novel deep learning algorithms have been applied increasingly in this field. In this paper, we review the literature on human affect recognition between 2010 and 2017, with a special focus on approaches using deep neural networks. By classifying a total of 950 studies according to their usage of shallow or deep architectures, we are able to show a trend towards deep learning. Reviewing a subset of 233 studies that employ deep neural networks, we comprehensively quantify their applications in this field. We find that deep learning is used for learning of (i) spatial feature representations, (ii) temporal feature representations, and (iii) joint feature representations for multimodal sensor data. Exemplary state-of-the-art architectures illustrate the progress. Our findings show the role deep architectures will play in human affect recognition, and can serve as a reference point for researchers working on related applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
彭于晏应助神奇大药丸采纳,获得10
4秒前
6秒前
7秒前
一个薯片完成签到,获得积分10
7秒前
winkyyang完成签到 ,获得积分10
9秒前
ShowMaker完成签到,获得积分10
11秒前
未来可期发布了新的文献求助10
12秒前
12秒前
alien52发布了新的文献求助10
16秒前
未来可期完成签到,获得积分10
17秒前
24秒前
深情安青应助alien52采纳,获得10
25秒前
lxl发布了新的文献求助50
30秒前
动听从寒发布了新的文献求助10
32秒前
怡然聪展完成签到 ,获得积分10
32秒前
呆瓜发布了新的文献求助10
34秒前
Panther完成签到,获得积分10
37秒前
42秒前
ASHSR完成签到 ,获得积分10
43秒前
柠橙发布了新的文献求助10
47秒前
47秒前
Aries完成签到 ,获得积分10
48秒前
李小猫完成签到,获得积分10
51秒前
动听从寒完成签到,获得积分10
52秒前
52秒前
李小猫发布了新的文献求助10
54秒前
春风发布了新的文献求助10
55秒前
啊大大完成签到,获得积分10
57秒前
稳定上分发布了新的文献求助10
59秒前
酷波er应助雪中采纳,获得10
59秒前
慕青应助真实的小伙采纳,获得10
1分钟前
哈哈哈哈呵呵完成签到 ,获得积分10
1分钟前
wzd发布了新的文献求助10
1分钟前
NexusExplorer应助稳定上分采纳,获得10
1分钟前
1分钟前
jasonjiang完成签到 ,获得积分10
1分钟前
真实的小伙完成签到,获得积分10
1分钟前
1分钟前
森sen完成签到 ,获得积分10
1分钟前
子春完成签到 ,获得积分10
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3150492
求助须知:如何正确求助?哪些是违规求助? 2801865
关于积分的说明 7845847
捐赠科研通 2459209
什么是DOI,文献DOI怎么找? 1309091
科研通“疑难数据库(出版商)”最低求助积分说明 628651
版权声明 601727