論文の概要: A Novel Enhanced Convolution Neural Network with Extreme Learning Machine: Facial Emotional Recognition in Psychology Practices

• arxiv url: http://arxiv.org/abs/2208.02953v1
• Date: Fri, 5 Aug 2022 02:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:06:48.235223
• Title: A Novel Enhanced Convolution Neural Network with Extreme Learning Machine: Facial Emotional Recognition in Psychology Practices
• Title（参考訳）: エクストリームラーニングマシンを用いた新しい畳み込みニューラルネットワーク:心理学的実践における顔の感情認識
• Authors: Nitesh Banskota, Abeer Alsadoon, P.W.C. Prasad, Ahmed Dawoud, Tarik A. Rashid, Omar Hisham Alsadoon
• Abstract要約: 本研究の目的は、トレーニングセッション中の顔の感情認識精度を改善し、処理時間を短縮することである。 提案したCNNEELMモデルは、JSFFE、CK+、FER2013式データセットでトレーニングされている。 シミュレーションの結果,精度と処理時間が大きく向上し,映像解析に適したモデルが得られた。
• 参考スコア（独自算出の注目度）: 31.159346405039667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Facial emotional recognition is one of the essential tools used by recognition psychology to diagnose patients. Face and facial emotional recognition are areas where machine learning is excelling. Facial Emotion Recognition in an unconstrained environment is an open challenge for digital image processing due to different environments, such as lighting conditions, pose variation, yaw motion, and occlusions. Deep learning approaches have shown significant improvements in image recognition. However, accuracy and time still need improvements. This research aims to improve facial emotion recognition accuracy during the training session and reduce processing time using a modified Convolution Neural Network Enhanced with Extreme Learning Machine (CNNEELM). The system entails (CNNEELM) improving the accuracy in image registration during the training session. Furthermore, the system recognizes six facial emotions happy, sad, disgust, fear, surprise, and neutral with the proposed CNNEELM model. The study shows that the overall facial emotion recognition accuracy is improved by 2% than the state of art solutions with a modified Stochastic Gradient Descent (SGD) technique. With the Extreme Learning Machine (ELM) classifier, the processing time is brought down to 65ms from 113ms, which can smoothly classify each frame from a video clip at 20fps. With the pre-trained InceptionV3 model, the proposed CNNEELM model is trained with JAFFE, CK+, and FER2013 expression datasets. The simulation results show significant improvements in accuracy and processing time, making the model suitable for the video analysis process. Besides, the study solves the issue of the large processing time required to process the facial images.
• Abstract（参考訳）: 顔認識は、認知心理学が患者を診断するために使う重要な道具の1つである。 顔と顔の感情認識は、機械学習が優れている分野です。 非拘束環境における顔の感情認識は、照明条件、ポーズ変動、ヨーモーション、オクルージョンなどの異なる環境によるデジタル画像処理においてオープンな課題である。 ディープラーニングアプローチは、画像認識において大幅に改善されている。 しかし、精度と時間は改善する必要がある。 本研究の目的は,CNNEELM(Extreme Learning Machine)で強化された畳み込みニューラルネットワークを用いて,トレーニングセッション中の顔の感情認識精度を改善し,処理時間を短縮することである。 このシステムは、トレーニングセッション中の画像登録の精度を向上させる(CNNEELM)。 さらに,提案したCNNEELMモデルに対して,幸福,悲しみ,嫌悪感,恐怖,驚き,中立感の6つの感情を認識する。 本研究は, 確率的勾配降下法(sgd)を改良することにより, 顔の感情認識の精度が, アートソリューションの状態よりも2%向上することを示す。 Extreme Learning Machine (ELM) 分類器では、処理時間が113msから65msに短縮され、ビデオクリップから20fpsで各フレームをスムーズに分類することができる。 事前トレーニングされたInceptionV3モデルにより、提案されたCNNEELMモデルは、JSFFE、CK+、FER2013式データセットでトレーニングされる。 シミュレーションの結果,精度と処理時間が大幅に向上し,映像解析に適したモデルが得られた。 また,顔画像の処理に要する処理時間が大きいという問題も解決した。

関連論文リスト

• Alleviating Catastrophic Forgetting in Facial Expression Recognition with Emotion-Centered Models [49.3179290313959]
  感情中心型生成的リプレイ (ECgr) は, 生成的対向ネットワークから合成画像を統合することで, この課題に対処する。 ECgrは、生成された画像の忠実性を保証するために品質保証アルゴリズムを組み込んでいる。 4つの多様な表情データセットに対する実験結果から,擬似リハーサル法により生成されたイメージを組み込むことで,ターゲットとするデータセットとソースデータセットのトレーニングが促進されることが示された。
  論文  参考訳（メタデータ） (2024-04-18T15:28:34Z)
• 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)
• 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)
• 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)
• Real-time Facial Expression Recognition "In The Wild'' by Disentangling 3D Expression from Identity [6.974241731162878]
  本稿では,1枚のRGB画像から人間の感情認識を行う新しい手法を提案する。 顔のダイナミックス、アイデンティティ、表情、外観、3Dポーズのバリエーションに富んだ大規模な顔ビデオデータセットを構築した。 提案するフレームワークは毎秒50フレームで動作し、3次元表現変動のパラメータを頑健に推定することができる。
  論文  参考訳（メタデータ） (2020-05-12T01:32:55Z)
• TimeConvNets: A Deep Time Windowed Convolution Neural Network Design for Real-time Video Facial Expression Recognition [93.0013343535411]
  本研究では、リアルタイムな映像表情認識を目的とした、新しい時間窓付き畳み込みニューラルネットワーク設計(TimeConvNets)について検討する。 我々は,TimeConvNetsが表情の過度なニュアンスを捕捉し,低い推論時間を維持しながら分類精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2020-03-03T20:58:52Z)
• 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。