Metallinou et al. [6] presented a h

Metallinou et al. [6] presented a high performing system
that used both visual and acoustic features to classify the
spontaneous content in IEMOCAP on the continuous valence
and activation descriptors. Also investigated were various
hierarchical system designs that exploited contextual
information at the conversation level. In the context-free
case, HMMs were trained on early fused frame-level acoustic/
visual features. Facial features were shown to be better
for valence classication, and acoustic features performed
better for activation. Their combination led to improvements
in the valence task.
The existing literature indicates the combination of acoustic,
visual, and linguistic features is a viable and important
direction for SER.

ผลลัพธ์ (ไทย) 1:

Metallinou et al. [6] นำเสนอระบบประสิทธิภาพสูงที่ใช้ทั้งภาพ และเสียงในการจัดประเภทการเนื้อหาธรรมชาติใน IEMOCAP ในวาเลนซ์อย่างต่อเนื่องและเปิดใช้งานตัวแสดงรายละเอียด ตรวจสอบยัง ต่าง ๆระบบลำดับชั้นการออกแบบที่ใช้ประโยชน์ตามบริบทข้อมูลในระดับสนทนา ในบริบท-ฟรีมีการฝึกอบรมกรณี HMMs เสียงระดับกรอบหลอมต้น /แสดงคุณสมบัติ ใบหน้ามีแสดงที่ดีวาเลนซ์ classi ไอออน และคุณลักษณะของเสียงได้ดีสำหรับการเปิดใช้งาน ชุดของพวกเขานำไปปรับปรุงในงานวาเลนซ์วรรณคดีที่มีอยู่ระบุว่า การรวมกันของเสียงภาพ และภาษาศาสตร์คือทำงานได้ และสำคัญทิศทางสำหรับ SER.

ผลลัพธ์ (ไทย) 2:

Metallinou et al, [6] นำเสนอระบบที่มีประสิทธิภาพสูง
ที่ใช้คุณลักษณะทั้งสองภาพและอะคูสติกในการจำแนก
เนื้อหาที่เกิดขึ้นเองใน IEMOCAP บนอย่างต่อเนื่อง Valence
และเปิดใช้งานอธิบาย การตรวจสอบนอกจากนี้ยังได้รับการต่างๆ
การออกแบบระบบลำดับชั้นที่ใช้ประโยชน์จากบริบทของ
ข้อมูลในระดับการสนทนา ในบริบทฟรี
กรณี HMMs รับการฝึกอบรมเกี่ยวกับการหลอมละลายต้นเฟรมระดับอะคูสติก /
คุณสมบัติภาพ ใบหน้ามีการแสดงที่ดีกว่า
สำหรับการจัดประเภท Valence ไอออนบวกและคุณสมบัติอะคูสติกดำเนินการ
ที่ดีกว่าสำหรับการเปิดใช้งาน การรวมกันของพวกเขาจะนำไปสู่การปรับปรุง
ในงานจุ.
วรรณกรรมที่มีอยู่บ่งชี้ว่าการรวมกันของอะคูสติกที่
ภาพและคุณลักษณะของภาษาเป็นที่ทำงานและที่สำคัญ
ทิศทาง SER