論文の概要: Error correction in multiclass image classification of facial emotion on unbalanced samples

• arxiv url: http://arxiv.org/abs/2510.03337v1
• Date: Thu, 02 Oct 2025 09:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.843666
• Title: Error correction in multiclass image classification of facial emotion on unbalanced samples
• Title（参考訳）: 無バランス検体における顔感情のマルチクラス画像分類における誤り補正
• Authors: Andrey A. Lebedev, Victor B. Kazantsev, Sergey V. Stasenko,
• Abstract要約: 本稿では,不均衡なサンプル上での顔画像のマルチクラス分類における誤り訂正の問題について考察する。 顔のキー領域に着目した注意機構を備えたLSTMに基づくニューラルネットワークモデルを用いる。
• 参考スコア（独自算出の注目度）: 0.43012765978447565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers the problem of error correction in multi-class classification of face images on unbalanced samples. The study is based on the analysis of a data frame containing images labeled by seven different emotional states of people of different ages. Particular attention is paid to the problem of class imbalance, in which some emotions significantly prevail over others. To solve the classification problem, a neural network model based on LSTM with an attention mechanism focusing on key areas of the face that are informative for emotion recognition is used. As part of the experiments, the model is trained on all possible configurations of subsets of six classes with subsequent error correction for the seventh class, excluded at the training stage. The results show that correction is possible for all classes, although the degree of success varies: some classes are better restored, others are worse. In addition, on the test sample, when correcting some classes, an increase in key quality metrics for small classes was recorded, which indicates the promise of the proposed approach in solving applied problems related to the search for rare events, for example, in anti-fraud systems. Thus, the proposed method can be effectively applied in facial expression analysis systems and in tasks requiring stable classification under skewed class distribution.
• Abstract（参考訳）: 本稿では,不均衡なサンプル上での顔画像のマルチクラス分類における誤り訂正の問題について考察する。 この研究は、異なる年齢の人々の7つの異なる感情状態によってラベル付けされた画像を含むデータフレームの分析に基づいている。 クラス不均衡の問題には特に注意が払われており、一部の感情は他の感情よりも顕著に優勢である。 分類問題を解決するために、感情認識に有用な顔のキー領域に着目した注意機構を有するLSTMに基づくニューラルネットワークモデルを用いる。 実験の一環として、モデルはトレーニング段階で除外された第7クラスのエラー訂正を伴う6つのクラスのサブセットの可能なすべての構成に基づいて訓練される。 結果は、すべてのクラスに対して修正が可能であることを示しているが、成功の度合いは様々である。 また,テストサンプルでは,一部のクラスを修正した場合,例えばアンチ・フロイト・システムにおいて,まれな事象の探索に係わる問題を解く上で,提案手法が期待できることが示唆された。 そこで,提案手法は表情解析システムや,スキュートクラス分布下での安定した分類を必要とするタスクに効果的に適用できる。

関連論文リスト

• Multi-class Image Anomaly Detection for Practical Applications: Requirements and Robust Solutions [3.647905567437244]
  異常検出のすべての要件を満たすために階層型コアセット(HierCore)を提案する。 HierCoreはクラスラベルなしでも効果的に動作し、階層型メモリバンクを利用してクラスワイド決定基準を推定する。 その結果、HierCoreはすべての要件を一貫して満たし、すべての設定で強力な安定したパフォーマンスを維持していることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T14:44:40Z)
• Addressing Class Imbalance with Probabilistic Graphical Models and Variational Inference [10.457756074328664]
  本研究では,深い確率的グラフィカルモデル(DPGM)に基づく不均衡データ分類手法を提案する。 本稿では,少数クラスの表現能力を適応的に調整できる変分推論最適化確率モデルを提案する。 逆学習機構を組み合わさって、潜在空間におけるマイノリティクラスサンプルを生成し、モデルがカテゴリ境界をより正確に特徴づけられるようにします。
  論文  参考訳（メタデータ） (2025-04-08T07:38:30Z)
• Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
  我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。 以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。 データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-02-28T07:54:50Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• Combating Uncertainty and Class Imbalance in Facial Expression Recognition [4.306007841758853]
  本稿では,Resnet と Attention に基づくフレームワークを提案する。 本手法は,表情データセットの精度において,最も基本的な手法を超越している。
  論文  参考訳（メタデータ） (2022-12-15T12:09:02Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Multi-loss ensemble deep learning for chest X-ray classification [0.8594140167290096]
  クラス不均衡は、異常サンプルの数が正常サンプルの数より少ない医療画像分類タスクでよく見られる。 本稿では,DLモデルを訓練し,その性能を多クラス分類設定で解析する新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2021-09-29T14:14:04Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• SeismoFlow -- Data augmentation for the class imbalance problem [0.0]
  SeismoFlowは、合成サンプルを作成するフローベースの生成モデルである。 Glowモデルにインスパイアされたこのモデルは、学習された潜在空間を利用して、1つの稀なクラスのための合成サンプルを生成する。 希少クラスF1スコアの13.9%の改善を実現した。
  論文  参考訳（メタデータ） (2020-07-23T19:48:23Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。