O reconhecimento de expressões faciais (REF) é um campo altamente ativo com aplicações em visão computacional, interação humano-computador, segurança e animação gráfica por computador. Avanços recentes em aprendizado profundo e aprendizado de máquina aumentaram o interesse em utilizar essas técnicas para a classificação precisa de expressões faciais. Este artigo apresenta um estudo comparativo que avalia o desempenho do aprendizado profundo e do aprendizado de máquina como classificadores em sistemas de REF, especificamente após a fusão de dados. Técnicas de fusão de dados combinam e integram múltiplas fontes de informação, visando aumentar a precisão geral da classificação ao extrair dois tipos de características usando características geométricas e de aparência treinadas usando dois tipos de redes neurais convolucionais. As saídas de características dessas redes são fundidas para criar um vetor de características final para o processo de classificação. O estudo avalia o desempenho do aprendizado profundo em dois conjuntos de dados de referência, o Cohn-Kanade estendido (CK+) e os conjuntos de dados Oulu-CASIA, para avaliar o desempenho do aprendizado profundo. Como ponto de comparação, a abordagem tradicional de aprendizado de máquina baseada na máquina de vetores de suporte (SVM) também é avaliada nos mesmos conjuntos de dados. Métricas de desempenho como precisão de classificação, precisão, recall e F1-score são utilizadas. Os resultados obtidos no estudo destacam os pontos fortes e as limitações de ambas as técnicas, aprendizado profundo e aprendizado de máquina, quando empregadas como classificadores em sistemas de REF. Notavelmente, os resultados experimentais demonstram que a abordagem de aprendizado profundo supera significativamente os métodos de referência, alcançando um aumento na precisão de reconhecimento de 5,22% para o CK+ e 3,07% para o conjunto de dados Oulu-CASIA.
Jabbooree et al. (Wed,) estudaram esta questão.