論文の概要: What happens in Face during a facial expression? Using data mining techniques to analyze facial expression motion vectors

• arxiv url: http://arxiv.org/abs/2109.05457v1
• Date: Sun, 12 Sep 2021 08:17:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:38:35.540464
• Title: What happens in Face during a facial expression? Using data mining techniques to analyze facial expression motion vectors
• Title（参考訳）: 表情中に顔に何が起こるのか? データマイニング技術を用いた表情運動ベクトルの解析
• Authors: Mohamad Roshanzamir, Roohallah Alizadehsani, Mahdi Roshanzamir, Afshin Shoeibi, Juan M. Gorriz, Abbas Khosrave, Saeid Nahavandi
• Abstract要約: マシンが表情を認識する方法の1つは、表情提示中の顔の変化を分析することである。 C5.0, CRT, QUEST, CHAID, Deep Learning (DL), SVM, Discriminantといった最先端の分類アルゴリズムを用いて, 抽出した動きベクトルを分類した。 Extended Cohen-Kanade (CK+) の表情データセットの実験結果によると、最良の方法はDL、SVM、C5.0である。
• 参考スコア（独自算出の注目度）: 9.962268111440105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the most common problems encountered in human-computer interaction is automatic facial expression recognition. Although it is easy for human observer to recognize facial expressions, automatic recognition remains difficult for machines. One of the methods that machines can recognize facial expression is analyzing the changes in face during facial expression presentation. In this paper, optical flow algorithm was used to extract deformation or motion vectors created in the face because of facial expressions. Then, these extracted motion vectors are used to be analyzed. Their positions and directions were exploited for automatic facial expression recognition using different data mining techniques. It means that by employing motion vector features used as our data, facial expressions were recognized. Some of the most state-of-the-art classification algorithms such as C5.0, CRT, QUEST, CHAID, Deep Learning (DL), SVM and Discriminant algorithms were used to classify the extracted motion vectors. Using 10-fold cross validation, their performances were calculated. To compare their performance more precisely, the test was repeated 50 times. Meanwhile, the deformation of face was also analyzed in this research. For example, what exactly happened in each part of face when a person showed fear? Experimental results on Extended Cohen-Kanade (CK+) facial expression dataset demonstrated that the best methods were DL, SVM and C5.0, with the accuracy of 95.3%, 92.8% and 90.2% respectively.
• Abstract（参考訳）: 人間とコンピュータの相互作用で最もよく見られる問題は、表情の自動認識である。 人間の観察者は表情を認識することは容易であるが、機械では自動認識は難しいままである。 機械が表情を認識する方法の1つは、表情提示中の顔の変化を分析することである。 本稿では,顔の表情による変形や動きベクトルの抽出に光学的フローアルゴリズムを用いた。 そして、これらの抽出された動きベクトルを用いて解析する。 彼らの位置と方向は、異なるデータマイニング技術を用いて自動表情認識に利用された。 運動ベクトル特徴をデータとして使用することで,表情認識が可能となった。 C5.0, CRT, QUEST, CHAID, Deep Learning (DL), SVM, Discriminantといった最先端の分類アルゴリズムを用いて, 抽出した動きベクトルを分類した。 10倍のクロスバリデーションを用いて,その性能を計算した。 より正確に比較するために、テストは50回繰り返された。 一方、この研究では顔の変形も分析された。 例えば、人が恐怖を感じたとき、顔の各部分に何が起こったのか? Extended Cohen-Kanade (CK+) の表情データセットによる実験の結果、最良の方法は、それぞれ95.3%、92.8%、90.2%の精度でDL、SVM、C5.0であることがわかった。

関連論文リスト

• Emotion Recognition for Challenged People Facial Appearance in Social using Neural Network [0.0]
  CNNでは、取得した画像を異なる感情カテゴリに分類するために顔表現が使用される。 本稿では,画像による表情の認識と啓蒙の不変性について提案する。
  論文  参考訳（メタデータ） (2023-05-11T14:38:27Z)
• 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)
• Robustness Disparities in Face Detection [64.71318433419636]
  本稿では,その顔検出システムの詳細なベンチマークとして,商業モデルと学術モデルのノイズに対する頑健性について検討する。 すべてのデータセットやシステム全体で、$textitmasculineである個人の写真が$textitdarker skin type$$$、$textitdarker$、または$textitdim lighting$は、他のIDよりもエラーの影響を受けやすい。
  論文  参考訳（メタデータ） (2022-11-29T05:22:47Z)
• 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)
• Real-Time Facial Expression Recognition using Facial Landmarks and Neural Networks [0.0]
  本稿では,特徴抽出,7つの感情の分類,表情認識をリアルタイムに行うアルゴリズムを提案する。 前処理アルゴリズムに基づいてマルチ層パーセプトロンニューラルネットワークをトレーニングする。 3層はこれらの特徴ベクトルを使って訓練され、テストセットでは96%の精度が得られた。
  論文  参考訳（メタデータ） (2022-01-31T21:38:30Z)
• Detect Faces Efficiently: A Survey and Evaluations [13.105528567365281]
  顔認識、表情認識、顔追跡、頭部推定を含む多くの応用は、画像中の顔の位置と大きさの両方が知られていると仮定する。 ディープラーニング技術は、かなりの計算量の増加と共に、対面検出に驚くべきブレークスルーをもたらした。 本稿では, 代表的な深層学習手法を紹介し, 精度と効率性の観点から, 深く, 徹底的な分析を行う。
  論文  参考訳（メタデータ） (2021-12-03T08:39:40Z)
• 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)
• Human Expression Recognition using Facial Shape Based Fourier Descriptors Fusion [15.063379178217717]
  本論文では,顔面筋の変化に基づく新しい表情認識法を提案する。 幾何学的特徴は、口、目、鼻などの顔領域を特定するために用いられる。 7つの人間の表現の分類にマルチクラスサポートベクターマシンが適用される。
  論文  参考訳（メタデータ） (2020-12-28T05:01:44Z)
• Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
  本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。 本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
  論文  参考訳（メタデータ） (2020-11-17T18:12:41Z)
• 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)

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。