Fugu-MT 論文翻訳(概要): Facial Emotions Recognition using Convolutional Neural Net

論文の概要: Facial Emotions Recognition using Convolutional Neural Net

arxiv url: http://arxiv.org/abs/2001.01456v2
Date: Fri, 23 Sep 2022 16:44:07 GMT
ステータス: 処理完了
システム内更新日: 2023-01-14 02:37:54.711124
Title: Facial Emotions Recognition using Convolutional Neural Net
Title（参考訳）: 畳み込みニューラルネットワークを用いた表情認識
Authors: Faisal Ghaffar
Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)を用いた顔認識システムを提案する。深層学習モデルはデータから学習するため,提案システムでは各画像を様々な事前処理ステップで処理し,予測精度を向上する。組み合わせたデータセットを用いて,最大78.1パーセントの精度を達成した。
参考スコア（独自算出の注目度）: 0.6091702876917281
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Facial expressions vary from person to person, and the brightness, contrast, and resolution of every random image are different. This is why recognizing facial expressions is very difficult. This article proposes an efficient system for facial emotion recognition for the seven basic human emotions (angry, disgust, fear, happy, sad, surprise, and neutral), using a convolution neural network (CNN), which predicts and assigns probabilities to each emotion. Since deep learning models learn from data, thus, our proposed system processes each image with various pre-processing steps for better prediction. Every image was first passed through the face detection algorithm to include in the training dataset. As CNN requires a large amount of data, we duplicated our data using various filters on each image. Pre-processed images of size 80*100 are passed as input to the first layer of CNN. Three convolutional layers were used, followed by a pooling layer and three dense layers. The dropout rate for the dense layer was 20%. The model was trained by combining two publicly available datasets, JAFFE and KDEF. 90% of the data was used for training, while 10% was used for testing. We achieved maximum accuracy of 78.1 % using the combined dataset. Moreover, we designed an application of the proposed system with a graphical user interface that classifies emotions in real-time.
Abstract（参考訳）: 顔の表情は人によって異なり、すべてのランダム画像の明るさ、コントラスト、解像度は異なる。そのため、表情認識は非常に困難である。本稿では,情動を予測・割り当てする畳み込みニューラルネットワーク (CNN) を用いて, 基本的感情(怒り, 嫌悪, 恐怖, 幸福, 悲しみ, 驚き, 中立)に対して, 顔の感情認識を効果的に行うシステムを提案する。深層学習モデルはデータから学習するため,提案システムでは各画像を様々な事前処理ステップで処理し,予測精度を向上する。すべての画像は、トレーニングデータセットに含めるために、最初に顔検出アルゴリズムに渡された。 CNNは大量のデータを必要とするため、各画像のさまざまなフィルタを使ってデータを複製しました。 CNNの第1層への入力として、80*100サイズの前処理画像が渡される。 3つの畳み込み層が使われ、続いてプール層と3つの密集層が続いた。濃厚層での降雨速度は20%であった。このモデルは、JAFFEとKDEFという2つの公開データセットを組み合わせることでトレーニングされた。データの90%がトレーニングに使われ、10%がテストに使われた。組み合わせデータセットを用いて,最大78.1 %の精度を達成した。さらに,感情をリアルタイムに分類するグラフィカルユーザインタフェースを用いたシステムの設計を行った。

関連論文リスト

Alleviating Catastrophic Forgetting in Facial Expression Recognition with Emotion-Centered Models [49.3179290313959]
感情中心型生成的リプレイ (ECgr) は, 生成的対向ネットワークから合成画像を統合することで, この課題に対処する。 ECgrは、生成された画像の忠実性を保証するために品質保証アルゴリズムを組み込んでいる。 4つの多様な表情データセットに対する実験結果から,擬似リハーサル法により生成されたイメージを組み込むことで,ターゲットとするデータセットとソースデータセットのトレーニングが促進されることが示された。
論文参考訳（メタデータ） (2024-04-18T15:28:34Z)
Facial Emotion Recognition Under Mask Coverage Using a Data Augmentation Technique [0.0]
異なる顔マスクを着用している個人からの感情を認識できる顔感情認識システムを提案する。移動学習を用いて学習した4つの畳み込みニューラルネットワークの有効性を評価した。 Resnet50は優れた性能を示しており、人依存モードは73.68%、人依存モードは59.57%である。
論文参考訳（メタデータ） (2023-12-03T09:50:46Z)
Multi-Domain Norm-referenced Encoding Enables Data Efficient Transfer Learning of Facial Expression Recognition [62.997667081978825]
本稿では,表情認識における伝達学習のための生物学的メカニズムを提案する。提案アーキテクチャでは,人間の脳が,頭部形状の異なる表情を自然に認識する方法について解説する。本モデルでは, FERGデータセットの分類精度92.15%を極端に高いデータ効率で達成する。
論文参考訳（メタデータ） (2023-04-05T09:06:30Z)
Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
論文参考訳（メタデータ） (2022-11-18T17:07:43Z)
Facial Expressions Recognition with Convolutional Neural Networks [0.0]
ニューラルネットワークを利用して表情認識システム(FER)を実装する。我々は、追加のトレーニングデータを用いることなく、FER2013データセット上で、最先端のシングルネットワーク精度の70.10%を実証する。
論文参考訳（メタデータ） (2021-07-19T06:41:00Z)
Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。 ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
論文参考訳（メタデータ） (2021-03-31T01:48:29Z)
Improving DeepFake Detection Using Dynamic Face Augmentation [0.8793721044482612]
ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。 DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
論文参考訳（メタデータ） (2021-02-18T20:25:45Z)
Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
論文参考訳（メタデータ） (2020-11-18T13:42:05Z)
Towards Dense People Detection with Deep Learning and Depth images [9.376814409561726]
本稿では,1つの深度画像から複数の人物を検出するDNNシステムを提案する。我々のニューラルネットワークは深度画像を処理し、画像座標の確率マップを出力する。我々は、この戦略が効果的であることを示し、トレーニング中に使用するものと異なるシーンで動作するように一般化したネットワークを創出する。
論文参考訳（メタデータ） (2020-07-14T16:43:02Z)
Real-time Facial Expression Recognition "In The Wild'' by Disentangling 3D Expression from Identity [6.974241731162878]
本稿では,1枚のRGB画像から人間の感情認識を行う新しい手法を提案する。顔のダイナミックス、アイデンティティ、表情、外観、3Dポーズのバリエーションに富んだ大規模な顔ビデオデータセットを構築した。提案するフレームワークは毎秒50フレームで動作し、3次元表現変動のパラメータを頑健に推定することができる。
論文参考訳（メタデータ） (2020-05-12T01:32:55Z)
Learning to Augment Expressions for Few-shot Fine-grained Facial Expression Recognition [98.83578105374535]
顔表情データベースF2EDについて述べる。顔の表情は119人から54人まで、200万枚以上の画像が含まれている。実世界のシナリオでは,不均一なデータ分布やサンプルの欠如が一般的であるので,数発の表情学習の課題を評価する。顔画像合成のための統合されたタスク駆動型フレームワークであるComposeal Generative Adversarial Network (Comp-GAN) 学習を提案する。
論文参考訳（メタデータ） (2020-01-17T03:26:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。