A New Facial Expression Recognition Technique using 2-D DCT and Neural Networks Based Decision Tree
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human facial expression recognition (FER) has attracted much attention in recent years because of its importance in realizing highly intelligent human-machine interfaces. In this paper, we propose a new FER technique that utilizes the 2-D DCT of full size facial images and a decision tree with feedforward neural network (NN) based nodes. The first NN-based node of the decision tree is designated to separate one group of facial expressions with members "smile" and "surprise" from another group that contains "anger" and "sadness". This node can reduce the confusion between the category members of the two groups. Two NN-based nodes that follow the first node are established for each group to separate their two members. As a result, the original recognition problem with four categories is divided into three subproblems, each having only two members to distinguish. This work is the first trial to use NN, decision tree and 2-D DCT simultaneously within a single recognition task. To demonstrate the capability of the proposed recognition technique, we use two databases, including a recently constructed one, which contain 2-D front face images of 60 men and 60 women, respectively. Experimental results reveal that the new technique outperforms, on the whole, the simple vector matching and K-means based vector matching techniques and two recently developed methods using fixed-size and constructive neural networks. The mean recognition rates of the new technique have been found as high as 97.5% and 93.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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