TimeConvNets: A Deep Time Windowed Convolution Neural Network Design for\n Real-time Video Facial Expression Recognition
Notice bibliographique
Résumé
A core challenge faced by the majority of individuals with Autism Spectrum\nDisorder (ASD) is an impaired ability to infer other people's emotions based on\ntheir facial expressions. With significant recent advances in machine learning,\none potential approach to leveraging technology to assist such individuals to\nbetter recognize facial expressions and reduce the risk of possible loneliness\nand depression due to social isolation is the design of computer vision-driven\nfacial expression recognition systems. Motivated by this social need as well as\nthe low latency requirement of such systems, this study explores a novel deep\ntime windowed convolutional neural network design (TimeConvNets) for the\npurpose of real-time video facial expression recognition. More specifically, we\nexplore an efficient convolutional deep neural network design for\nspatiotemporal encoding of time windowed video frame sub-sequences and study\nthe respective balance between speed and accuracy. Furthermore, to evaluate the\nproposed TimeConvNet design, we introduce a more difficult dataset called\nBigFaceX, composed of a modified aggregation of the extended Cohn-Kanade (CK+),\nBAUM-1, and the eNTERFACE public datasets. Different variants of the proposed\nTimeConvNet design with different backbone network architectures were evaluated\nusing BigFaceX alongside other network designs for capturing spatiotemporal\ninformation, and experimental results demonstrate that TimeConvNets can better\ncapture the transient nuances of facial expressions and boost classification\naccuracy while maintaining a low inference time.\n
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».