Emotions Recognition Using Multimodal Spontaneous Emotion Database and Deep Learning Technology
Notice bibliographique
Résumé
Facial expression Recognition (FER) has growing significance in diverse fields such as psychology, medicine, sports, and entertainment. FER is used in the medical field to recognize signs of depression, anxiety, and autism. FER also finds its niche in self-driving cars to observe signs of fatigue and distress in a driver and provide timely intervention to enhance transport safety. Facial expressions combined with other modalities offer great insight into the emotional state and its triggers. Computer vision, machine learning, and deep learning methods have recently gained widespread attention in detecting and classifying spontaneous facial expressions. Static images and video sequences in 2D have extensively been used for FER and emotion recognition. However, only a few algorithms combine 2D video sequences and multimodal data to detect and classify emotions. To this end, this research aims to develop a deep-learning model for classifying emotions using Karolinska Directed Emotional Face (KDEF) and the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). A CNN-RNN model is built to classify facial expressions for synthetic video sequence data generated using the KDEF dataset. This model is extended to features extracted from the RAVDESS video dataset. Furthermore, A Transformer model with a dual-head self-attention layer is created to identify the frames with the most useful information for classification. Finally, a late fusion architecture is used to merge the posteriors of the static audio, static video, and Transformer models to create a multimodal classification model.
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 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».