使用神经网络进行挑战人群面部表情的情感识别
该文介绍了针对面部表情识别问题,提出了一种基于注意力卷积网络的深度学习方法,并采用可视化技术确定了识别不同情绪对应的重要面部区域,相比先前的模型在多个数据集上都取得了明显的改进。
Feb, 2019
本研究旨在探究面部微表情作为软生物识别的有效性并提出一种深度学习的方法来提高其在人体识别方面的应用,实验结果显示该方法与现有的基准相比,可以显著提高识别准确性。
Jun, 2023
本文介绍了 EmotioNet 挑战的方法和结果,其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元(AU)方面的能力,第二项挑战测试了算法在面部表情图像的情感分类方面的能力,研究表明当前机器学习算法在这两个任务中无法可靠地解决问题,计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。
Mar, 2017
我们提出了一种使用面部动作单元(AUs)识别技术来识别情绪的方法,该识别方法基于面部动作编码系统(FACS)并通过机器学习系统计算,以扩展情绪识别技术的能力。
Nov, 2023
本研究提出了一种基于深度学习和面部视频数据的情感检测方法,使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型,并结合情感分类器,能够高效准确地从动态图像中识别面部表情,且在基本情感和压力情感的识别任务中超过了其他方法。
May, 2020
通过深度学习技术识别患者的情绪,可以在智能医疗中心建立起能够检测抑郁症和压力的机制,进而早期对患者进行干预。本文对情绪识别领域的最新研究进行了系统总结,并关注了从语音、面部表情和音视频输入中识别情绪的不同技术,并将这些算法部署于真实环境中,构成了一种适用于医疗中心的监控系统。在论文最后,我们总结了相关挑战和未来工作,以提供使用情绪识别技术的应用展望。
Jul, 2021
最近的研究强调用户对与机器进行类似人的互动的偏好增长。因此,面部表情识别作为给社交机器人赋予识别用户情感状态的能力的一种方式变得重要。在本研究中,我们评估了深度学习方法的适用性,这些方法因其在该领域的出色表现而闻名,用于识别具有智力残疾的个体的面部表情,据我们所知,这方面的研究尚未进行。为实现这一目标,我们使用了十二个不同方法的卷积神经网络集合进行训练,其中包括没有具有智力残疾的个体的数据集合以及包含了这些个体的数据集合。我们对不同训练条件下各个模型的结果进行了分析,结合可解释的人工智能技术在表情识别期间进行的关键面部区域的全面分析,揭示了智力残疾个体之间以及具有智力残疾的个体之间面部表情的显著差异。显著的是,我们的研究结果通过用户特定的训练方法证明了对该人群中面部表情的可行性,这使得模型能够有效地处理每个用户独特的表达方式。
Jan, 2024
我们开发了一个卷积神经网络来识别人类面部表情。我们将已有的卷积神经网络模型 fine-tune 到 CFEE 和 RaFD 数据集,测试准确率分别为 74.79% 和 95.71%。通过在一个数据集上训练模型,在另一个数据集上测试可以牵扯到泛化的结果,最广泛的实验中测试集的 top-1 准确率为 65.39%。
Aug, 2017
通过实验研究探究神经网络如何处理和储存面部表情数据,并将这些数据与人类产生的各种心理属性相联系,表明深度学习模型在理解人类情绪和认知过程方面具有潜力,非欧几里德空间视角下的认知产品或心理属性的多样化可视化解释不仅提供了对 AI 的可解释性的新见解,还推动了 AI 技术在心理学领域的应用和心理信息处理的新的理论理解。
Apr, 2024
本研究提出了一种基于静态图片实现的轻量级算法,用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的,提取几何和纹理特征,生成特征向量,用于训练三层 MLP,其测试准确度达到 96%。
Jan, 2022