論文の概要: Facial Emotion Recognition: State of the Art Performance on FER2013

• arxiv url: http://arxiv.org/abs/2105.03588v1
• Date: Sat, 8 May 2021 04:20:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 15:24:04.478089
• Title: Facial Emotion Recognition: State of the Art Performance on FER2013
• Title（参考訳）: Facial Emotion Recognition: State of the Art Performance on FER2013
• Authors: Yousif Khaireddin, Zhuofa Chen
• Abstract要約: FER2013データセットで最高の単一ネットワーク分類精度を達成しました。 我々のモデルは、追加のトレーニングデータを用いることなく、FER2013上で73.28 %の最先端のシングルネットワーク精度を実現する。
• 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: Facial emotion recognition (FER) is significant for human-computer interaction such as clinical practice and behavioral description. Accurate and robust FER by computer models remains challenging due to the heterogeneity of human faces and variations in images such as different facial pose and lighting. Among all techniques for FER, deep learning models, especially Convolutional Neural Networks (CNNs) have shown great potential due to their powerful automatic feature extraction and computational efficiency. In this work, we achieve the highest single-network classification accuracy on the FER2013 dataset. We adopt the VGGNet architecture, rigorously fine-tune its hyperparameters, and experiment with various optimization methods. To our best knowledge, our model achieves state-of-the-art single-network accuracy of 73.28 % on FER2013 without using extra training data.
• Abstract（参考訳）: 顔の感情認識(FER)は、臨床や行動記述などの人間とコンピュータの相互作用において重要である。 コンピュータモデルによる正確かつ堅牢なFERは、人間の顔の不均一性や、異なる顔のポーズや照明などの画像の変化により、依然として困難である。 FERのすべての技術の中で、ディープラーニングモデル、特に畳み込みニューラルネットワーク(CNN)は、強力な自動特徴抽出と計算効率のために大きな可能性を示している。 本研究では、FER2013データセット上で最も高いシングルネットワーク分類精度を実現する。 我々はvggnetアーキテクチャを採用し,そのハイパーパラメータを厳密に微調整し,様々な最適化手法を実験した。 我々の知る限り、我々のモデルは、追加のトレーニングデータを用いることなく、FER2013において最先端のシングルネットワーク精度73.28 %を達成する。

関連論文リスト

• Improvement in Facial Emotion Recognition using Synthetic Data Generated by Diffusion Model [2.205257684291835]
  顔の感情認識(FER)は、コンピュータビジョンにおいて重要な役割を担い、人間とコンピュータの相互作用、感情コンピューティング、メンタルヘルスモニタリングやパーソナライズされた学習環境などの分野に重要な応用がある。 FERタスクにおける大きな課題は、利用可能なデータセットで一般的に見られるクラス不均衡であり、モデルパフォーマンスと一般化の両方を妨げる可能性がある。 我々は、合成データ拡張とResEmoteNetモデルを活用して、顔の感情認識タスクにおける全体的なパフォーマンスを向上させることで、データ不均衡の問題に取り組む。
  論文  参考訳（メタデータ） (2024-11-16T19:01:50Z)
• A Comparative Study of Transfer Learning for Emotion Recognition using CNN and Modified VGG16 Models [0.0]
  CNNと修正VGG16モデルの2つのデータセット(FER2013とAffectNet)における感情認識タスクの性能について検討する。 以上の結果から,2つのモデルがFER2013データセット上で妥当な性能を達成し,改良VGG16モデルが精度をわずかに向上したことが明らかとなった。 Affect-Netデータセットで評価すると、両方のモデルのパフォーマンスが低下し、修正VGG16モデルはCNNを上回っ続けている。
  論文  参考訳（メタデータ） (2024-07-19T17:41:46Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• Learning Diversified Feature Representations for Facial Expression Recognition in the Wild [97.14064057840089]
  本稿では,CNN層が抽出した顔表情認識アーキテクチャの特徴を多様化する機構を提案する。 AffectNet,FER+,RAF-DBの3つの顔表情認識実験の結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-10-17T19:25:28Z)
• Hybrid Facial Expression Recognition (FER2013) Model for Real-Time Emotion Classification and Prediction [0.0]
  本稿では,Deep Convolutional Neural Network(DCNN)とHaar Cascadeディープラーニングアーキテクチャを組み合わせた,表情認識のためのハイブリッドモデルを提案する。 目的は、リアルタイムおよびデジタル顔画像から、考慮された7つの顔感情カテゴリの1つに分類することである。 実験結果から, 最先端実験や研究と比較して, 分類性能は有意に向上した。
  論文  参考訳（メタデータ） (2022-06-19T23:43:41Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)
• 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)
• 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)
• Unsupervised Learning Facial Parameter Regressor for Action Unit Intensity Estimation via Differentiable Renderer [51.926868759681014]
  骨駆動型顔モデル(BDFM)に基づいて,異なる視点で顔パラメータを予測する枠組みを提案する。 提案するフレームワークは,特徴抽出器,ジェネレータ,顔パラメータ回帰器から構成される。
  論文  参考訳（メタデータ） (2020-08-20T09:49:13Z)
• The FaceChannel: A Light-weight Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  FER自動化のための現在の最先端モデルは、訓練が難しい非常に深いニューラルネットワークに基づいている。 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。 私たちは、FaceChannelが、FERの現在の最先端技術と比較して、同等の、たとえそうでなくても、パフォーマンスを実現する方法を示します。
  論文  参考訳（メタデータ） (2020-04-17T12:03:14Z)

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。