論文の概要: An Explainable Fast Deep Neural Network for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2407.14865v1
• Date: Sat, 20 Jul 2024 12:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 20:32:23.200289
• Title: An Explainable Fast Deep Neural Network for Emotion Recognition
• Title（参考訳）: 感情認識のための説明可能な高速ディープニューラルネットワーク
• Authors: Francesco Di Luzio, Antonello Rosato, Massimo Panella,
• Abstract要約: 本研究では、映像解析による感情分類の枠組みにおける二元的ディープニューラルアーキテクチャの説明可能性手法について検討する。 我々は、感情的な感覚の中で重要な顔のランドマークの動きを理解するために、革新的な説明可能な人工知能アルゴリズムを採用している。
• 参考スコア（独自算出の注目度）: 1.3108652488669732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of artificial intelligence, the inherent human attribute of engaging in logical reasoning to facilitate decision-making is mirrored by the concept of explainability, which pertains to the ability of a model to provide a clear and interpretable account of how it arrived at a particular outcome. This study explores explainability techniques for binary deep neural architectures in the framework of emotion classification through video analysis. We investigate the optimization of input features to binary classifiers for emotion recognition, with face landmarks detection using an improved version of the Integrated Gradients explainability method. The main contribution of this paper consists in the employment of an innovative explainable artificial intelligence algorithm to understand the crucial facial landmarks movements during emotional feeling, using this information also for improving the performances of deep learning-based emotion classifiers. By means of explainability, we can optimize the number and the position of the facial landmarks used as input features for facial emotion recognition, lowering the impact of noisy landmarks and thus increasing the accuracy of the developed models. In order to test the effectiveness of the proposed approach, we considered a set of deep binary models for emotion classification trained initially with a complete set of facial landmarks, which are progressively reduced based on a suitable optimization procedure. The obtained results prove the robustness of the proposed explainable approach in terms of understanding the relevance of the different facial points for the different emotions, also improving the classification accuracy and diminishing the computational cost.
• Abstract（参考訳）: 人工知能の文脈において、意思決定を促進する論理的推論に携わる人間的属性は、モデルが特定の結果にどのように到達したかを明確に解釈可能な説明を提供する能力に関する説明可能性の概念によって反映される。 本研究では、映像解析による感情分類の枠組みにおける二元的ディープニューラルアーキテクチャの説明可能性手法について検討する。 感情認識のための二項分類器への入力特徴の最適化について検討し,統合的グラディエンス説明可能性法の改良版を用いて顔のランドマーク検出を行った。 本研究の主な貢献は、感情感覚における重要な顔のランドマークの動きを理解するための、革新的な説明可能な人工知能アルゴリズムの利用であり、この情報を用いて、深層学習に基づく感情分類器の性能を向上させることである。 説明可能性によって、顔の感情認識の入力機能として使用される顔のランドマークの数と位置を最適化し、ノイズの多いランドマークの影響を低減し、発達したモデルの精度を高めることができる。 提案手法の有効性を検証するために,まず顔のランドマークの完全なセットで訓練された感情分類のための深部二分モデルについて検討した。 その結果、異なる感情に対する異なる顔点の関連性を理解し、分類精度を向上し、計算コストを低減させるという観点から、提案した説明可能なアプローチの頑健さが証明された。

関連論文リスト

• Emotion Detection through Body Gesture and Face [0.0]
  このプロジェクトは、非顔の手がかり、特に手、身体のジェスチャー、ジェスチャーに焦点を当てることによる感情認識の課題に対処する。 従来の感情認識システムは、主に表情分析に依存しており、ボディランゲージを通して伝達される豊かな感情情報を無視することが多い。 このプロジェクトの目的は、マシンが人間の感情をより包括的でニュアンスな方法で解釈し、反応する能力を高めることで、感情コンピューティングの分野に貢献することにある。
  論文  参考訳（メタデータ） (2024-07-13T15:15:50Z)
• ST-Gait++: Leveraging spatio-temporal convolutions for gait-based emotion recognition on videos [3.1489012476109854]
  歩行の分析を通して感情認識のための枠組みを提案する。 我々のモデルは空間的時間的グラフ畳み込みネットワークからなる。 提案手法をE-Gaitデータセット上で評価し,2177個のサンプルから構成した。
  論文  参考訳（メタデータ） (2024-05-22T18:24:21Z)
• Self-supervised Gait-based Emotion Representation Learning from Selective Strongly Augmented Skeleton Sequences [4.740624855896404]
  自己教師型歩行に基づく感情表現のための選択的強強化を利用したコントラスト学習フレームワークを提案する。 提案手法はEmotion-Gait (E-Gait) と Emilya のデータセットで検証され, 異なる評価プロトコル下での最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-05-08T09:13:10Z)
• Adversarial Attacks on the Interpretation of Neuron Activation Maximization [70.5472799454224]
  アクティベーション最大化アプローチは、訓練されたディープラーニングモデルの解釈と解析に使用される。 本研究では,解釈を欺くためにモデルを操作する敵の概念を考察する。
  論文  参考訳（メタデータ） (2023-06-12T19:54:33Z)
• 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)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
  提案手法の性能は, 広く使用されている3つのデータセットで評価される。 ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
  論文  参考訳（メタデータ） (2021-06-08T13:40:30Z)
• A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
  既存の説明可能性技術を評価するための診断特性のリストを作成する。 そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
  論文  参考訳（メタデータ） (2020-09-25T12:01:53Z)
• Micro-Facial Expression Recognition Based on Deep-Rooted Learning Algorithm [0.0]
  本稿では,MFEDRL(Micro-Facial Expression Based Deep-Rooted Learning)分類器を提案する。 アルゴリズムの性能は認識率と偽測度を用いて評価する。
  論文  参考訳（メタデータ） (2020-09-12T12:23:27Z)
• 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。