Fugu-MT 論文翻訳(概要): Facial Expression Recognition using Deep Learning

論文の概要: Facial Expression Recognition using Deep Learning

arxiv url: http://arxiv.org/abs/2006.04057v1
Date: Sun, 7 Jun 2020 06:32:05 GMT
ステータス: 処理完了
システム内更新日: 2022-11-24 08:13:58.872639
Title: Facial Expression Recognition using Deep Learning
Title（参考訳）: ディープラーニングを用いた表情認識
Authors: Raghu Vamshi.N, Bharathi Raja S
Abstract要約: 表情を認識する能力は多くの新しい応用の道を開くだろう。コントロールされた環境での従来のアプローチの成功にもかかわらず、これらのアプローチは部分的な顔からなる挑戦的なデータセットで失敗する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Throughout the various ages, facial expressions have become one of the universal ways of non-verbal communication. The ability to recognize facial expressions would pave the path for many novel applications. Despite the success of traditional approaches in a controlled environment, these approaches fail on challenging datasets consisting of partial faces. In this paper, I take one such dataset FER-2013 and will implement deep learning models that are able to achieve significant improvement over the previously used traditional approaches and even some of the deep learning models.
Abstract（参考訳）: 様々な時代を通じて、表情は非言語コミュニケーションの普遍的な方法の1つになっている。表情を認識する能力は、多くの新しい応用の道を開くだろう。コントロールされた環境での従来のアプローチの成功にもかかわらず、これらのアプローチは部分的な顔からなる挑戦的なデータセットで失敗する。本稿では,このようなデータセット fer-2013 を取り上げ,従来使用されていたアプローチや深層学習モデルよりも大幅に改善可能な深層学習モデルの実装を行う。

関連論文リスト

FaceMixup: Enhancing Facial Expression Recognition through Mixed Face Regularization [0.6249768559720122]
ディープラーニングソリューションは、現実世界のアプリケーションに課題をもたらす。データ拡張(DA)アプローチは、目立ったソリューションとして現れています。混合顔成分規則化に基づく簡易かつ包括的顔データ拡張手法を提案する。
論文参考訳（メタデータ） (2024-05-30T17:09:05Z)
GaFET: Learning Geometry-aware Facial Expression Translation from In-The-Wild Images [55.431697263581626]
本稿では,パラメトリックな3次元顔表現をベースとした新しい顔表情翻訳フレームワークを提案する。我々は、最先端の手法と比較して、高品質で正確な表情伝達結果を実現し、様々なポーズや複雑なテクスチャの適用性を実証する。
論文参考訳（メタデータ） (2023-08-07T09:03:35Z)
Stop overkilling simple tasks with black-box models and use transparent models instead [57.42190785269343]
ディープラーニングアプローチは、生データから自律的に機能を抽出することができる。これにより、機能エンジニアリングプロセスをバイパスすることができる。ディープラーニング戦略は、しばしば精度で従来のモデルより優れている。
論文参考訳（メタデータ） (2023-02-06T14:28:49Z)
CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
論文参考訳（メタデータ） (2022-08-10T15:46:05Z)
Towards a General Deep Feature Extractor for Facial Expression Recognition [5.012963825796511]
本稿では,他の顔の感情認識タスクやデータセットに適用可能な,視覚的特徴抽出器を学習する,新たなディープラーニングベースのアプローチを提案する。 DeepFEVERは、AffectNetとGoogle Facial Expression Comparisonデータセットで最先端の結果を上回っている。
論文参考訳（メタデータ） (2022-01-19T18:42:23Z)
FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。提案手法は,既存の年齢推定手法を常に上回っていることを示す。
論文参考訳（メタデータ） (2021-06-21T14:31:32Z)
Exploiting Emotional Dependencies with Graph Convolutional Networks for Facial Expression Recognition [31.40575057347465]
本稿では,視覚における表情認識のためのマルチタスク学習フレームワークを提案する。 MTL設定において、離散認識と連続認識の両方のために共有特徴表現が学習される。実験の結果,本手法は離散FER上での最先端手法よりも優れていた。
論文参考訳（メタデータ） (2021-06-07T10:20:05Z)
A Multi-resolution Approach to Expression Recognition in the Wild [9.118706387430883]
顔認識タスクを解決するためのマルチリゾリューション手法を提案する。私たちは、しばしば異なる解像度で画像が取得されるという観察を直感的に根拠としています。我々は、Affect-in-the-Wild 2データセットに基づいてトレーニングされたSqueeze-and-Excitationブロックを備えたResNetのようなアーキテクチャを使用する。
論文参考訳（メタデータ） (2021-03-09T21:21:02Z)
Deep Learning Based Single Sample Per Person Face Recognition: A Survey [15.183859288214354]
本稿では,深層学習に基づく手法に着目し,それらを仮想サンプル法と汎用学習法に分類する。従来の手法と深い特徴を組み合わせること、損失関数を改善すること、ネットワーク構造を改善することの3つの方法がある。
論文参考訳（メタデータ） (2020-06-09T13:24:27Z)
Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文参考訳（メタデータ） (2020-02-06T10:56:00Z)
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。