摘要
身体情感识别在实时情感系统中至关重要，但基于图形的骨骼模型计算开销较大。本文探讨了轻量级时序卷积网络（TCNs）是否能为身体情感分类提供一种高效且可解释的替代方案。
我们在 DIEM-A 数据集上评估了一系列 TCN 模型，并与基于图的时间序列图（G-TSG）基线进行比较，使用准确率、宏观 F1 值、参数数量和推理延迟等指标。尽管 G-TSG 在性能上表现最佳，TCN-Base 的准确率仅比其低 $1.58$ 点，宏观 F1 值低 $1.25$ 点，同时使用的参数减少了 $79.18\frac{\text{\%}}{}$，分类器延迟也降低了约 $12.5\times$。
我们还使用区域特定的 TCN 模型、零基础遮挡和 G-TSG 梯度显著性分析了身体区域的贡献。结果表明，上半身运动提供了最强的独立区域线索，身体区域的有效性因情感而异，而不同的可解释性方法捕获了模型行为的不同方面。这些发现表明，轻量级 TCNs 能有效支持身体情感识别，同时提供运动线索如何影响分类的实用洞见。
博主点评： 轻量级时序卷积网络在身体情感识别中的应用展现了其在效率和可解释性上的潜力，尤其是在实时系统中的重要性。通过减少参数和延迟，TCNs 在保持模型性能的同时，提供了更好的实用性和理解能力，为未来的情感识别研究开辟了新方向。