Los investigadores proponen SVF-CR, un marco para reconocer la ambivalencia y la indecisión sincronizando evidencia visual y facial. El método extrae tokens de video completo alineados y de rostro recortado, refinándolos mediante autoatención intra-modal y atención cruzada bidireccional.
- Los tokens sincronizados se refinan mutuamente antes de construir evidencia a nivel de segmento mediante modelado de consistencia y discrepancia.
- Las características textuales y acústicas pasan por autoatención contextual y se fusionan con la evidencia visual-facial en la etapa de decisión.
- Los experimentos en la división de evaluación pública BAH logran un macro-F1 de 0.7156, superando a las bases de fusión global de tokens.
El enfoque mejora la precisión del reconocimiento modelando cómo interactúan las evidencias conductuales alineadas temporalmente entre modalidades.