論文の概要: Hey Human, If your Facial Emotions are Uncertain, You Should Use Bayesian Neural Networks!

• arxiv url: http://arxiv.org/abs/2008.07426v1
• Date: Mon, 17 Aug 2020 15:50:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 02:49:21.254632
• Title: Hey Human, If your Facial Emotions are Uncertain, You Should Use Bayesian Neural Networks!
• Title（参考訳）: もし顔の感情が不確かなら、ベイジアンニューラルネットワークを使うべきだ!
• Authors: Maryam Matin and Matias Valdenegro-Toro
• Abstract要約: ベイジアンニューラルネットワークは, 顔の感情認識において, アレタリック不確実性をモデル化できることを示す。 また,複数のクラスが正しいと考えられるため,キャリブレーションの指標が,このタスクに奇妙な振る舞いを示すことも示している。
• 参考スコア（独自算出の注目度）: 7.6146285961466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial emotion recognition is the task to classify human emotions in face images. It is a difficult task due to high aleatoric uncertainty and visual ambiguity. A large part of the literature aims to show progress by increasing accuracy on this task, but this ignores the inherent uncertainty and ambiguity in the task. In this paper we show that Bayesian Neural Networks, as approximated using MC-Dropout, MC-DropConnect, or an Ensemble, are able to model the aleatoric uncertainty in facial emotion recognition, and produce output probabilities that are closer to what a human expects. We also show that calibration metrics show strange behaviors for this task, due to the multiple classes that can be considered correct, which motivates future work. We believe our work will motivate other researchers to move away from Classical and into Bayesian Neural Networks.
• Abstract（参考訳）: 顔認識は、人間の感情を顔画像に分類するタスクである。 不確実性と視覚的なあいまいさが高いため、これは難しい作業である。 文献の大部分は、このタスクの精度を高めて進捗を示すことを目的としているが、これはタスクの固有の不確実性と曖昧さを無視している。 本稿では,MC-Dropout,MC-DropConnect,あるいはEnsembleを用いて近似したベイズニューラルネットワークが,顔の感情認識におけるアレラトリック不確実性をモデル化し,人間の期待に迫る出力確率を生成することができることを示す。 また, キャリブレーションの指標は, 今後の作業の動機となる複数のクラスが正しいと考えられるため, このタスクに対して奇妙な振る舞いを示すことを示す。 私たちの研究は、他の研究者が古典学からベイズニューラルネットワークに移行する動機になると考えています。

関連論文リスト

• Explaining Deep Face Algorithms through Visualization: A Survey [57.60696799018538]
  本研究は、顔領域における説明可能性アルゴリズムの第一種メタ分析を行う。 既存のフェース説明可能性について概観し、フェースネットワークの構造と階層に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2023-09-26T07:16:39Z)
• Multi-Task Transformer with uncertainty modelling for Face Based Affective Computing [7.09232719022402]
  顔に基づく感情計算は、顔画像から感情を検出する。 本稿では,モーダル,アクション,基本的な感情の予測を共同学習するためのトランスフォーマーに基づくマルチタスク手法を提案する。
  論文  参考訳（メタデータ） (2022-08-06T12:25:12Z)
• Facial Emotion Recognition: A multi-task approach using deep learning [0.0]
  マルチタスク学習アルゴリズムを提案する。一つのCNNが感情とともに対象者の性別、年齢、人種を検出する。 その結果、このアプローチは現在のタスクの最先端技術アルゴリズムよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2021-10-28T11:23:00Z)
• Towards Better Uncertainty: Iterative Training of Efficient Networks for Multitask Emotion Recognition [8.707214497205443]
  本稿では,感情認識タスクに多世代自己蒸留アルゴリズムを適用し,不確実性推定性能を向上させることを提案する。 我々は、感情認識と不確実性推定の性能をさらに向上させるために、深層アンサンブルを反復訓練する。 最終的に、本アルゴリズムは、ドメイン内不確実性を推定できる単一学生モデルと、ドメイン外サンプルを検出することができる学生アンサンブルとを導出する。
  論文  参考訳（メタデータ） (2021-07-21T09:49:16Z)
• I Only Have Eyes for You: The Impact of Masks On Convolutional-Based Facial Expression Recognition [78.07239208222599]
  今回提案したFaceChannelがマスクを持つ人からの表情認識にどのように適応するかを評価します。 また、制約された社会的相互作用シナリオにおける顔の特徴の変化を学習し、組み合わせるためのFaceChannelの本質的な能力を示すために、特定の機能レベルの可視化も行います。
  論文  参考訳（メタデータ） (2021-04-16T20:03:30Z)
• Uncovering the Bias in Facial Expressions [0.0]
  我々は、アクションユニット分類のためのニューラルネットワークを訓練し、その精度と熱マップに基づく定性に基づいて、その性能を定量的に分析する。 結果の構造化されたレビューは、偏見を検出することができることを示している。 この結果から、性別や肌の色偏りのみから低い分類性能が出現したと結論付けることはできないが、これらのバイアスに対処する必要がある。
  論文  参考訳（メタデータ） (2020-11-23T10:20:10Z)
• 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)
• Deformable Convolutional LSTM for Human Body Emotion Recognition [0.0]
  我々は、GEMデータセットの実験を行い、人体全体の感情認識のタスクにおいて、最先端の精度98.8%を達成した。 変形可能な動作を畳み込み長短期記憶(ConvLSTM)のコアに組み込んで、画像中のこれらの変形に対するロバスト性を改善する。
  論文  参考訳（メタデータ） (2020-10-27T21:01:09Z)
• Facial Emotion Recognition with Noisy Multi-task Annotations [88.42023952684052]
  ノイズの多いマルチタスクアノテーションを用いた顔の感情認識の新しい問題を提案する。 この新たな問題に対して,共同分布マッチングの観点からの定式化を提案する。 我々は,感情予測と共同分布学習を可能にする新しい手法を利用する。
  論文  参考訳（メタデータ） (2020-10-19T20:39:37Z)
• Facial Expression Editing with Continuous Emotion Labels [76.36392210528105]
  深層生成モデルは、自動表情編集の分野で素晴らしい成果を上げている。 連続した2次元の感情ラベルに従って顔画像の表情を操作できるモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-22T13:03:02Z)
• 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。