抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Micro-Expression(ME)認識は,日常の人間の感情を捉え,理解するためのゲートウェイを示すので,コンピュータビジョンにおける最新の話題である。MEは典型的には過渡状態(200ms以下)で,微妙なMEによる困難な問題である。機械学習の最近の進歩は,多様なコンピュータビジョンタスクを解くために,新しい有効な方法を採用できる。特に,大規模データセット上の深層学習技法の使用は,手作業特徴に依存する古典的機械学習に基づく古典的手法よりも性能が優れている。自発的MEに対する利用可能なデータセットは不足し,はるかに小さいが,オフラインの畳込みニューラルネットワーク(CNN)は,まだ満足な分類結果を示す。しかし,これらのネットワークはメモリ消費と計算資源に関して強い。これは,高速かつ正確な認識を要求する仮想教室における運転者監視や理解認識のような多くのアプリケーションにおいてCNNベースソリューションを展開する場合に大きな挑戦をもたらす。これらのネットワークが最初に異なるドメインのタスクのために設計されたので,それらは過パラメータ化し,ME認識のために最適化する必要がある。本論文では,2つの方法でME分類のために最適化したよく知られたResNet18に基づく新しいネットワークを提案した。最初に,残留層を除去することによってネットワークの深さを減らした。第2に,ネットワークへの入力として使われる光フローのよりコンパクトな表現を導入した。広範な実験を示し,提案したネットワークが,必要なメモリ空間を大幅に削減しながら,最先端の方法に匹敵する精度が得られることを示した。最良の分類精度は,5つの目的クラスを含む挑戦的な複合データセットで60.17%であった。提案手法は,MEビデオクリップ(最短MEの発生時間40ms以下)を分類するために,24.6msのみを採った。このCNN設計は,限られたメモリとコンピューティング資源を有するリアルタイム組込みアプリケーションに適している。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】