顔感情認識と評価への深層学習アプローチのためのロバストなフレームワーク【JST・京大機械翻訳】

Siddiqui Nyle; Dave Rushit; Bauer Tyler; Reither Thomas; Black Dylan; Hanson Mitchell

プレプリント

J-GLOBAL ID：202202217341349692 整理番号：22P0281865

顔感情認識と評価への深層学習アプローチのためのロバストなフレームワーク【JST・京大機械翻訳】

A Robust Framework for Deep Learning Approaches to Facial Emotion Recognition and Evaluation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月29日プレプリントサーバーでの情報更新日： 2022年01月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

顔感情認識はコンピュータビジョンのドメイン内の広大な複雑な問題空間であり,従って,提案モデルを評価するために普遍的に受け入れられるベースライン法を必要とする。テストデータセットは,この目的を学術圏の実世界アプリケーションで提供し,そのようなモデルの試験は,実際の比較を欠いている。したがって,FERのために開発されたモデルが,一定の標準化された方法で互いに比較され,対比できるフレームワークを提案する。軽量畳込みニューラルネットワークを,顔感情認識のための大きな変数データセットのAffectNetデータセット上で訓練し,Webアプリケーションを開発し,概念証明として提案フレームワークを用いて展開した。CNNはアプリケーションに埋め込まれ,即時実時間顔感情認識が可能である。AffectNetテストセットで試験したとき,このモデルは8つの異なる感情の感情分類のために高精度を達成した。このフレームワークを用いて,このモデルの妥当性を,サンプル試験データセットでのその精度だけでなく,野生実験においても,モデルの有効性を評価することによって適切にテストできる。さらに,著者らのアプリケーションは,感情認識のためにそれを捕捉またはアップロードした任意の画像を節約し,保存する能力で構築され,より高品質で多様な顔感情認識データセットのキュレーションを可能にする。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , , , ,

前のページに戻る