VLM面部情绪识别读出方式重评
热点事件持续更新
VLM面部情绪识别读出方式重评
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Tobias Hallmen等作者提出，EmoNet-Face-HQ基准原先从生成文本读取答案、要求每张脸固定情绪数量的协议本身会决定结果。他们改为对40个情绪类别逐类做yes/no提问、按“yes”概率打分，图像、专家评分和指标均不变。 按此方式重评11个开放权重视觉语言模型，在专家最一致的5个类别上，平均二次加权κ从0.425升至0.553，全部超过两位专家之间0.468的一致水平。
AI 根据报道生成 · 2 小时前更新
最新进展11月4日 13:00
解析文本低估了视觉语言模型：细粒度面部情绪识别可从低于专家一致到高于专家一致报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv cs.CL解析文本低估了视觉语言模型：细粒度面部情绪识别可从低于专家一致到高于专家一致
研究指出 EmoNet-Face-HQ 基准从生成文本读取答案、要求每张脸固定情绪数量的协议本身会决定结果。改为对 40 个情绪类别逐类做 yes/no 提问并按“yes”概率打分后，11 个开放权重 VLM 在专家最一致的 5 个类别上平均二次加权 κ 从 0.425 升至 0.553，全部超过两位专家之间 0.468 的一致水平。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。