情感计算

ICML 2026｜AURA：用视觉原型理解情感，而不只是预测标签这篇论文把面部情感预测写成了一个可检索的过程：图像特征进入任务相关空间，匹配某个视觉原型，再从该原型读出类别或分数。作者提出的AURA分别用于表情分类、动作单元检测和效价—唤醒度回归，视觉编码器在训练中保持冻结。文章关注的不只是三个任务的成绩，还包括原型怎样分配、同一原型下的面部结构是否接近，以及错误预测能否回查到相应的支持图像。

ICLR 2026｜EmotionThinker：让语音情感识别给出有依据的解释EmotionThinker把解释质量单独纳入了语音情感识别的训练。基础模型先接受韵律任务适配，用音高、能量、语速与重音等线索支撑判断；进入强化学习后，标签奖励之外又加入了解释评分。这个评分并非始终照单使用：若它偏向了同组中的错误回答，权重会被衰减，训练早期也不立即启用。作者分别测量分类、声学属性识别和解释表现，从中观察到普通GRPO提高标签分数时，解释评价不一定跟着提高。整套工作的落点，是这两类目标如何共同训练。

IJCV 2026｜从图片到视频，EMO-LLaMA如何增强大模型的面部表情识别能力？通用多模态大模型能够描述面部表情，但对眉眼、嘴角等局部变化的利用仍不充分。EMO-LLaMA围绕这一问题，将面部先验与通用视觉特征结合，并构建包含类别问答和对话描述的FERID指令数据，在同一框架中处理图片与视频。六个表情识别基准及相关消融显示，面部信息融合与指令微调能够改善部分识别指标，但不同数据集、类别与评价口径下的收益并不一致。本文依次介绍其研究背景、方法设计与实验结果。

CVPR 2026｜不依赖顶点帧标注的微表情识别：Ra-ICL精读微表情识别常先定位变化最明显的顶点帧，再计算它与起始帧之间的运动。Ra-ICL重新考察了这一输入方式：其他帧的运动虽弱，是否也能提供有效监督？论文将一段序列展开为多个运动实例，在不使用顶点帧标注的条件下学习表情特征。

当AI成为“家人”：心伴机器人如何重塑老年居家康养新模式——一位老年心理学专家的深度观察与实践指南2024年，中国60岁及以上人口突破3.1亿，占总人口22%。这意味着每5个中国人中，就有1位老人。更令人揪心的是，其中近1.2亿是独居或空巢老人。他们独自面对日升日落，独自承受身体的不适，独自吞咽无人对话的寂寞。

予枫的编程笔记

【论文解读】DMD：解耦多模态蒸馏，开启情感识别新范式 (CVPR 2023)🍂 枫言枫语：我是予枫，一名行走在 Java 后端与多模态 AI 交叉路口的研二学生。“予一人以深耕，观万木之成枫。”

脑电模型实战系列（三）：DEAP 数据集处理与 Russell 环状模型实战（一）🌟 引言：当深度学习遇见“大脑电流”在人工智能的众多分支中，情感计算（Affective Computing）始终是最具挑战性的领域之一。不同于通过面部表情或语音来识别情绪（这些行为可以被人类刻意伪装），脑电信号（EEG）直接来源于中枢神经系统，被认为是捕捉人类真实情感的“黄金标准”。

脑电模型实战系列（二）：PyTorch实现CNN_DEAP的多尺度时空特征提取大家好！欢迎来到“脑电模型实战系列（二）”系列的第三篇。上篇 DNN 基准实验中，我们验证了 DEAP 数据集的可行性，获得了 ∼60% 的准确率。然而，这也暴露了 DNN 的局限：它将 EEG 视为独立特征的集合，忽略了脑电信号的时空结构，无法捕捉关键的局部频率模式（如 α 波对应放松）。

脑电模型实战系列（二）：PyTorch实现简单DNN模型大家好！欢迎来到“脑电情绪识别”系列二的第二篇。上篇导论中，我们探讨了为什么从简单模型起步：EEG数据噪声大、个体差异显著，直接上手复杂架构如Transformer容易卡壳。

Java 大视界 -- Java 大数据机器学习模型在元宇宙虚拟场景智能交互中的关键技术亲爱的 Java 和大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！元宇宙的时代巨幕已然拉开。当用户戴上 VR 头盔，踏入虚拟世界的瞬间，他们期待的不仅是视觉上的震撼，更是一场能与虚拟环境、数字角色进行自然交互的智能盛宴。Java 大数据与机器学习的深度融合，将如何为元宇宙注入灵动的「智慧灵魂」，让虚拟场景从冰冷的数字堆砌蜕变为鲜活的交互生态？接下来，就让我们一同揭开这场技术革命的神秘面纱。

我是有底线的