Детальная информация

Работа посвящена исследованию и разработке мультимодальной системы распознавания эмоций человека по видео- и аудиопотоку на основе методов глубокого обучения. Рассмотрены современные архитектуры анализа эмоций по отдельным модальностям и подходы к их слиянию, сформулированы требования к системе и критерии сравнения с аналогами. Предложена и реализована система, объединяющая видео-ветвь (EfficientNet-B0 с темпоральным трансформером) и аудио-ветвь (WavLM-Large со взвешенной агрегацией слоёв) через обучаемый модуль кросс-модального внимания, а также прототип распознавания эмоций в реальном времени с камеры и микрофона. Работа выполнена на базе СПбПУ. Использованы открытые мультимодальные датасеты RAVDESS и CREMA-D (6 классов эмоций, actor-independent разбиение). Полученная мультимодальная модель достигает на тестовой выборке точности 82,0 %, macro-F1 80,4 % и UAR 80,7 %, что существенно превосходит одномодальные видео- (62,8 %) и аудиоварианты (78,4 %). Прототип обеспечивает устойчивую работу в реальном времени и сохраняет работоспособность при отсутствии одной из модальностей.

The work is devoted to the study and development of a multimodal human emotion recognition system based on video and audio streams using deep learning methods. State-of-the-art architectures for single-modality emotion analysis and fusion strategies are reviewed, requirements for the system and criteria for comparison with analogues are formulated. A system is proposed and implemented that combines a video branch (EfficientNet-B0 with a temporal transformer) and an audio branch (WavLM-Large with weighted layer aggregation) through a trainable cross-modal attention fusion module, as well as a real-time emotion recognition prototype using a camera and a microphone. Open multimodal datasets RAVDESS and CREMA-D were used (6 emotion classes, actor-independent split). The resulting multimodal model achieves 82.0 % accuracy, 80.4 % macro-F1 and 80.7 % UAR on the test set, significantly outperforming the unimodal video (62.8 %) and audio (78.4 %) variants. The prototype provides stable real-time operation and remains functional when one of the modalities is missing.