【论文阅读】Emotion Interaction Recognition Based on Deep Adversarial Network in Interactive Design for Intelligent Robot

1.这篇文章究竟讲了什么问题？
基于GAN的情感交互识别，用于智能机器人交互设计
2.这是否是一个新的问题？
不是
3.这篇文章要验证一个什么科学假设？
半监督GAN能解决情感分类中标注数据的缺乏问题

4.有哪些相关研究？如何归类？谁是这一课题在这领域值得关注的研究员？
情感计算：
Abstract中介绍额多个识别语音信号中的情感状态的工作，包括
1)Emotion recognition in human-computer interaction Cowie et al.
2)Modelling and evaluation of emotional interfaces S. T. Yung etal
3)Synthesis of emotional speech based on emotional pitch template M. Y . Chen
4)Conceptual imitation learning based on perceptual and functional characteristics of action H. Hajimirsadeghi
5)Context-based counselor agent for software development ecosystem T. Shinozaki
6)Multimodal emotion recognition with evolutionary computation for human-robot interaction L.-A. Perez-Gaspar
7)Emotion recognition in simulated social interactions C. Mumenthaler

5.论文中提到的解决方案之关键是什么？
首先，将传统无监督GAN的输出层替换为Softmax层，得到半监督GAN;其次，为生成的样本定义了额外的标签，以指导培训过程。最后，采用半监督训练策略对GAN的参数进行优化，并利用训练后的网络对视频进行处理。

6.论文中的实验是如何设计的？
确定评价标准： R2和CCC
定性分析:将所提方法与VGG19,Resnet34,Resnet50,Inception V3进行对比。
数据集采用不同大小：25，50，100，250，500，1000，2000

7.用于定量评估的数据集是什么？代码有没有开源？
A VEC2016(International Audio/Visual Emotion Challenge and Work-shop) 没有开源
8.论文中的实验及结果有没有很好地支持需要验证的科学假设？
在现有公共数据集上的实验表明，与基于深度学习的经典方法相比，所提方法在CCC方面有一定的改进，具有更高的识别效率，更适合大规模数据的维度情感识别。

9.这篇论文到底有什么贡献？
提出一个基于半监督的GAN，来解决情感识别中标记数据稀少的问题。

10.下一步呢？有什么工作可以继续深入？
未来的主要目标之一是建立一个实时的多模态情感识别系统使用深度架构。