文章比较简短，因为是一场竞赛中所用到的方法撰写的，是CVPR 2023:第五届野外情感行为分析(ABAW)研讨会和比赛中对情绪反应强度(ERI)估计挑战的方法。

论文题目（Title）：Emotional Reaction Intensity Estimation Based on Multimodal Data

基于多模态数据的情绪反应的强度计算

研究问题（Question）：Emotional Reaction Intensity (ERI) 情绪反应强度评估挑战，旨在预测观众七种不同情绪的强度。

研究动机（Motivation）：情绪反应包括面部表情、言语、手势。这些多模态数据通常受到环境的干扰，如光线、噪音、相机的质量等。即使是数据的不同部分也会相互影响，从而使估计更加困难。ERI估计需要仔细利用和分析这些多模态数据来创建一个模型，该模型通过分析语音信息、视觉信息和手势信息，能够较好地识别人的情绪状态。

主要贡献（Contribution）：

1. 使用一些预训练模型提取音频视频特征；

2. 提高了皮尔逊系数（两个变量之间的相关性）；

3. 微调数据，提高模型性能。

研究思路（Idea）：首先，以0.2秒的间隔从视频中获取视频帧。获取视频帧后，使用DeepFace按时间顺序获取视频帧中的人脸，保存224x224张人脸图像。利用FAB- Net、DAN、EfficientNet

获取面部信息编码。利用Wav2Vec2、VGGish获取音频特征编码。

研究方法（Method）：方法主要基于一个CNN和一个变压器-编码器。首先，将之前提取的特征作为一维时间卷积网络的输入，提取局部时间信息。然后，将一维CNN的输出输入transformer编码器实现与动态注意力权重的长期依赖。最后，利用全连通层对情绪反应强度进行推理。

研究过程（Process）：主要是将面部信息、音频信息进行拼接。

        1.数据集（Dataset）

比赛提供的数据集

        2.评估指标（Evaluation）

MSE损失和PCC损失，平均损失函数越小越好；PCC度量两个变量之间的关系，越大越好。

        3.实验结果（Result）

总结（Conclusion）：利用TE网络和VGGish提取的特征，在验证集上得到了平均Pearson相关系数为0.1440。