MétaCan
Menu
Retour à la cohorte
Enregistrement W2750817050 · doi:10.1167/17.10.827

Similar visual strategies are used to recognize spontaneous and posed facial expressions

2017· article· en· W2750817050 sur OpenAlexaff
Camille Saumure, Marie‐Pier Plouffe‐Demers, Daniel Fiset, Caroline Blais

Notice bibliographique

RevueJournal of Vision · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueFace recognition and analysis
Établissements canadiensUniversité du Québec en Outaouais
Organismes subventionnairesnon disponible
Mots-clésSadnessDisgustSurpriseHappinessFacial expressionPsychologyCategorizationCognitive psychologyAudiologySocial psychologyArtificial intelligenceCommunicationAngerComputer scienceMedicine

Résumé

récupéré en direct d'OpenAlex

Most studies bearing on the visual strategies underlying facial expression recognition have been done using posed expressions (PE). However, evidence suggests that these expressions differ from spontaneous expressions (SE) in terms of appearance, at least in regard of intensity (Ekman & Friesen, 1969), and facial asymmetry (Ross & Pulusu, 2013). In this experiment, the Bubbles method (Gosselin & Schyns, 2001) was used to compare the facial features used to recognize both kinds of expressions. Twenty participants were asked to categorize SE and PE of four basic emotions (disgust, happiness, surprise, sadness). Pictures consisted of 21 identities taken from the MUG database (Aifanti et al., 2010). The amount of facial information needed to reach an accuracy rate of 63% was higher with SE (M=64.0, SD=15.6) than with PE (M=34.4, SD=8.7) [t(19)=-15.07, p< 0.001], indicating that SE were harder to recognize. Classification images of the facial features used by participants to recognize each emotion were generated separately for SE and PE. Statistical thresholds were found with the Stat4CI (Chauvin et al, 2005; Zcrit=3.0; p< 0.025). Similar features were used for the recognition of SE and PE of disgust, happiness and surprise, although the Z scores reached significantly higher values with PE. With the expression of sadness, the information contained in the eye region was only useful for PE. An ideal observer analysis confirmed that the most diagnostic features in the recognition of happiness, surprise and disgust are very similar for PE and SE, and that the eye area has a lower diagnosticity in spontaneous sadness. These results suggest that the facial features utilization underlying the recognition of SE and PE is very similar for most basic expressions, although some qualitative differences are observed for the expression of sadness. Meeting abstract presented at VSS 2017

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,703
Score d'incertitude au seuil0,816

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,335
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetFace recognition and analysisTravaux en français237 207