Oct, 2023

能否准确使用 CNN 分类人类情绪？一项基于深度学习的面部表情识别研究

PDF
TL;DR该研究探讨了 CNN 模型识别和分类人类面部表情（积极、中立、消极）的能力，通过对芝加哥人脸数据库的预处理数据进行训练，模型在 10,000 张图像上达到 75% 的准确率，表明实现准确分析人类情感以及实用情感人工智能的可能性。
emotional artificial intelligencesaiscnn modelhuman facial expressionsmodel accuracy
发现论文，激发创造
  • 基于 CNN 的移动设备面部情感分析

    该研究旨在设计、部署和评估应用于移动设备的基于卷积神经网络（CNN）的面部情感分析架构，通过提出三种 CNN 架构并在野外基准面部图像数据集上进行比较评估，发现这些架构在保持较高性能的同时最小化存储需求，并且可以部署在基于移动设备上实时视频流上，同时还实现了基于预测用户情感的音乐推荐界面。

    Jul, 2018

  • 使用神经网络进行挑战人群面部表情的情感识别

    这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

    May, 2023

  • 负责任的 AI：情感识别中的性别偏见评估

    本研究旨在通过在六个不同的神经网络中进行深入调查，对面部表情识别的深度学习方法中的性别偏见进行研究，并根据公正的三个定义对其进行评估。结果显示，某些模型存在性别偏见，而更具偏见性的神经网络在男性和女性测试集之间的情感识别准确度差距更大，此外也观察到更适合用于男性和女性情感分类的不同情绪类型。

    Mar, 2021

  • 通过深度学习增强在线学习中的学生参与度：面部表情分析和复杂情感识别

    使用深度学习技术和面部表情来评估学生在在线学习课程中的参与程度，通过结合基本情绪表达出困惑、满意、失望和挫败等四种复杂情绪来动态描绘学生情绪，并通过卷积神经网络模型实现对学生情绪的准确分类，准确率达到 95%。

    Nov, 2023

  • 利用先前的面部动作单元知识进行面部情感识别

    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

  • 深度神经网络在表情识别中是否学习到面部动作单元？

    在面部表情数据上使用零偏差卷积神经网络，作者在扩展的 Cohn-Kanade 和多伦多人脸数据集上取得了领先水平的性能，并使用空间模式可视化的方法解释了这些卷积神经网络是如何进行表情识别并关联面部动作元素的。

    Oct, 2015

  • 人类面部表情不确定时，应使用贝叶斯神经网络！

    本文利用贝叶斯神经网络，如 MC-Dropout，MC-DropConnect 或 Ensemble 来建模 Facial emotion recognition 中的 aleatoric 不确定性，在这个任务中产生更接近人类预期输出的概率，并展示了校准度量展示的奇怪行为，这激励未来的研究。我们相信我们的工作将鼓励其他研究者从 Classical 转向 Bayesian 神经网络。

    Aug, 2020

  • 基于深度学习的面部表情数据的事后和流形解释分析

    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

  • 基于 PyTorch 的卷积神经网络的面部情绪识别

    基于 PyTorch 库的卷积神经网络模型，用于实时识别面部表情，通过优化网络以及调整超参数达到改善空间复杂度的目的，研究面部情绪识别的相关问题。

    Dec, 2023

  • 深度神经网络对视频数据情绪识别的改进

    本文通过使用卷积神经网络和循环神经网络来识别视频数据中的情感，分析两种神经网络对系统性能的贡献，并在实验中实现了优于基线和其他竞争方法的表现。

    Feb, 2016