論文の概要: Do Deep Neural Networks Forget Facial Action Units? -- Exploring the Effects of Transfer Learning in Health Related Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2104.07389v1
• Date: Thu, 15 Apr 2021 11:37:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 15:11:17.833051
• Title: Do Deep Neural Networks Forget Facial Action Units? -- Exploring the Effects of Transfer Learning in Health Related Facial Expression Recognition
• Title（参考訳）: ディープニューラルネットワークは顔のアクションユニットを忘れるのか? --健康関連表情認識における伝達学習の効果を探る
• Authors: Pooja Prajod, Dominik Schiller, Tobias Huber, Elisabeth Andr\'e
• Abstract要約: 感情から痛みへの自動表情認識のためのトランスファー学習の効果を検討するプロセスを提示する。 まずvgg16畳み込みニューラルネットワークを訓練し、8つのカテゴリー感情を自動的に識別する。 そして、このネットワークの大きな部分を微調整して、痛みの自動認識のタスクに適した表現を学習します。
• 参考スコア（独自算出の注目度）: 1.940353665249968
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we present a process to investigate the effects of transfer learning for automatic facial expression recognition from emotions to pain. To this end, we first train a VGG16 convolutional neural network to automatically discern between eight categorical emotions. We then fine-tune successively larger parts of this network to learn suitable representations for the task of automatic pain recognition. Subsequently, we apply those fine-tuned representations again to the original task of emotion recognition to further investigate the differences in performance between the models. In the second step, we use Layer-wise Relevance Propagation to analyze predictions of the model that have been predicted correctly previously but are now wrongly classified. Based on this analysis, we rely on the visual inspection of a human observer to generate hypotheses about what has been forgotten by the model. Finally, we test those hypotheses quantitatively utilizing concept embedding analysis methods. Our results show that the network, which was fully fine-tuned for pain recognition, indeed payed less attention to two action units that are relevant for expression recognition but not for pain recognition.
• Abstract（参考訳）: 本稿では,感情から痛みへの表情の自動認識におけるトランスファー学習の効果について検討する。 この目的のために、まずVGG16畳み込みニューラルネットワークを訓練し、8つのカテゴリーの感情を自動的に識別する。 そして、このネットワークのさらに大きな部分を微調整し、痛みの自動認識のタスクに適した表現を学習する。 次に、これらの微調整表現を感情認識の本来のタスクに再び適用し、モデル間のパフォーマンスの相違をさらに調査する。 2番目のステップでは、レイヤーワイズ・レバレンス・プロパゲーション(Layer-wise Relevance Propagation)を使用して、これまで正確に予測されていたが、現在では正しく分類されているモデルの予測を分析する。 この分析に基づいて、モデルで忘れられたことの仮説を生成するために、人間の観察者の視覚検査を頼りにしている。 最後に,概念埋め込み分析手法を用いて,これらの仮説を定量的に検証する。 以上の結果から,痛み認識に完全調整されたネットワークは,表情認識に関係するが痛み認識には関連しない2つのアクションユニットに注意を払わなかった。

関連論文リスト

• Introspective Learning : A Two-Stage Approach for Inference in Neural Networks [18.32369721322249]
  我々は、ニューラルネットワークの意思決定プロセスの2つの段階を提唱する。 ひとつは、既存のフィードフォワード推論フレームワークで、与えられたデータのパターンを検知し、以前に学習したパターンと関連付ける。 2つ目は、利用可能なすべての選択肢を考慮し、評価することで、フィードフォワードの決定を反映するようにネットワークに要求する、遅いリフレクションステージである。
  論文  参考訳（メタデータ） (2022-09-17T23:31:03Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Guiding Visual Attention in Deep Convolutional Neural Networks Based on Human Eye Movements [0.0]
  ディープ畳み込みニューラルネットワーク(DCNN)は、当初は生物学的ビジョンの原理にインスパイアされていた。 近年のディープラーニングの進歩は、この類似性を減らしているようだ。 有用なモデルを得るための純粋にデータ駆動型アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:23Z)
• Non-contact Pain Recognition from Video Sequences with Remote Physiological Measurements Prediction [53.03469655641418]
  痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。 我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
  論文  参考訳（メタデータ） (2021-05-18T20:47:45Z)
• Emotion pattern detection on facial videos using functional statistics [62.997667081978825]
  顔面筋運動の有意なパターンを抽出する機能的ANOVAに基づく手法を提案する。 感情群間の表現に時間的差があるかどうかを関数fテストを用いて判定する。
  論文  参考訳（メタデータ） (2021-03-01T08:31:08Z)
• 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)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)
• Verifying Deep Learning-based Decisions for Facial Expression Recognition [0.8137198664755597]
  我々は、ニューラルネットワークを用いて表情を分類し、画素ベースの説明を作成する。 顔領域に対するバウンディングボックス法に基づいて,これらの視覚的説明を定量化する。 以上の結果から,ニューラルネットワークは最先端の結果を達成できることが示されたが,視覚的説明から,関連する顔面領域を考慮できないことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-14T15:59:32Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。