Key points are not available for this paper at this time.
A tarefa de modelar e identificar as emoções das pessoas usando pistas faciais é um problema complexo em visão computacional. Normalmente, abordamos essas questões identificando Unidades de Ação (AUs), que têm muitas aplicações em Interação Humano-Computador (HCI). Embora abordagens de Aprendizado Profundo tenham demonstrado um alto nível de desempenho no reconhecimento de AUs e emoções, elas requerem grandes conjuntos de dados com exemplos etiquetados por especialistas. Neste artigo, demonstramos que boas características profundas podem ser aprendidas de forma não supervisionada usando Redes Adversariais Generativas Convolucionais Profundas (DCGANs), permitindo que um classificador supervisionado seja aprendido a partir de um conjunto de dados etiquetado menor. O artigo se concentra principalmente em dois aspectos principais: primeiramente, a geração de imagens de expressões faciais em uma ampla gama de poses (incluindo ambientes frontais, multi-visão e não restritos), e em segundo lugar, a análise e classificação de categorias de emoções e Unidades de Ação. Demonstramos uma capacidade aprimorada de generalizar e alcançar resultados bem-sucedidos ao usar uma metodologia diferente e uma variedade de conjuntos de dados para extração de características e classificação. Nosso método foi rigorosamente testado por meio de múltiplos experimentos em diferentes bancos de dados, levando a resultados promissores.
Alharbawee et al. (Sun,) estudaram essa questão.