Sobre el reconocimiento de emociones y la precisión de los clasificadores
DOI:
https://doi.org/10.65234/interaccion.67Palabras clave:
Reconocimiento de expresiones faciales, Reconocimiento de emociones, Aprendizaje automático, Dataset de expresiones faciales, Redes neuronales convolucionales, LIMEResumen
El reconocimiento de expresiones faciales es un tópico muy popular desde el surgimiento de la Inteligencia Artificial. Desde el punto de vista de la Interacción Persona-Ordenador también existe un gran interés, ya que las emociones transmitidas a través de las expresiones aportan una gran cantidad de información a la hora de tratar la comunicación no verbal. Hoy en día, las redes neuronales son uno de los sistemas de aprendizaje computacional más utilizados para reconocer y analizar emociones y, en general, los principales esfuerzos se dirigen a entrenar modelos que alcancen el máximo rendimiento posible en términos de precisión. Pero, en realidad, los humanos no son perfectos en el reconocimiento de emociones. En este trabajo, planteamos la cuestión de si el objetivo a perseguir al entrenar tales modelos debe basarse únicamente en alcanzar altos valores de precisión de reconocimiento o si también debemos centrarnos en tratar de emular el comportamiento humano. Intentamos llegar a una respuesta a través de comparar los resultados de clasificación de emociones en dos experimentos: uno con participantes humanos y otro con una red neuronal convolucional.
Referencias
Adadi, A., & Berrada, M. (2018). Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). IEEE Access, 6, 52138–52160. DOI: https://doi.org/10.1109/ACCESS.2018.2870052
Bettadapura, V. (2012). Face expression recognition and analysis: the state of the art. ArXiv Preprint ArXiv:1203.6722.
Chirra, V. R. R., Uyyala, S. R., & Kolli, V. K. K. (2021). Virtual facial expression recognition using deep CNN with ensemble learning. Journal of Ambient Intelligence and Humanized Computing, 12(12), 10581–10599. DOI: https://doi.org/10.1007/s12652-020-02866-3
Colbois, L., de Freitas Pereira, T., & Marcel, S. (2021). On the use of automatically generated synthetic image datasets for benchmarking face recognition. In 2021 IEEE International Joint Conference on Biometrics (IJCB) (pp. 1–8). DOI: https://doi.org/10.1109/IJCB52358.2021.9484363
Cowie, R., Douglas-Cowie, E., Tsapatsoulis, N., Votsis, G., Kollias, S., Fellenz, W., & Taylor, J. G. (2001). Emotion recognition in human-computer interaction. IEEE Signal Processing Magazine, 18(1), 32–80. https://doi.org/10.1109/79.911197 DOI: https://doi.org/10.1109/79.911197
del Aguila, J., González-Gualda, L. M., Játiva, M. A., Fernández-Sotos, P., Fernández-Caballero, A., & García, A. S. (2021). How Interpersonal Distance Between Avatar and Human Influences Facial Affect Recognition in Immersive Virtual Reality. Frontiers in Psychology, 12. https://doi.org/10.3389/fpsyg.2021.675515 DOI: https://doi.org/10.3389/fpsyg.2021.675515
Ekman, P., & Friesen, W. V. (1978). Facial action coding system. Environmental Psychology & Nonverbal Behavior. DOI: https://doi.org/10.1037/t27734-000
Faigin, G. (2012). The artist’s complete guide to facial expression. Watson-Guptill.
Lucey, P., Cohn, J. F., Kanade, T., Saragih, J., Ambadar, Z., & Matthews, I. (2010). The extended cohn-kanade dataset (ck+): A complete dataset for action unit and emotion-specified expression. In 2010 ieee computer society conference on computer vision and pattern recognition-workshops (pp. 94–101). DOI: https://doi.org/10.1109/CVPRW.2010.5543262
Lundqvist, D., Flykt, A., & Öhman, A. (1998). Karolinska directed emotional faces. Cognition and Emotion.
Lyons, M. J., Kamachi, M., & Gyoba, J. (1997). Japanese female facial expressions (JAFFE). Database of Digital Images, 3.
Mollahosseini, A., Hasani, B., & Mahoor, M. H. (2017). Affectnet: A database for facial expression, valence, and arousal computing in the wild. IEEE Transactions on Affective Computing, 10(1), 18–31. DOI: https://doi.org/10.1109/TAFFC.2017.2740923
Oliver, M. M., & Amengual Alcover, E. (2020). UIBVFED: Virtual facial expression dataset. PLOS ONE, 15(4), 1–10. https://doi.org/10.1371/journal.pone.0231266 DOI: https://doi.org/10.1371/journal.pone.0231266
Ramis, S., Buades, J. M., Perales, F. J., & Manresa-Yee, C. (2022). A Novel Approach to Cross dataset studies in Facial Expression Recognition. Multimedia Tools and Applications, 1–38. DOI: https://doi.org/10.1007/s11042-022-13117-2
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why Should I Trust You?”: Explaining the Predictions of Any Classifier. CoRR, abs/1602.0. Retrieved from http://arxiv.org/abs/1602.04938 DOI: https://doi.org/10.1145/2939672.2939778
Russell, S., & Norvig, P. (1995). Artificial intelligence: A Modern appraoch. Prentice-Hall.
Skjuve, M., Haugstveit, I. M., Følstad, A., & Brandtzaeg, P. (2019). Help! Is my chatbot falling into the uncanny valley? An empirical study of user experience in human–chatbot interaction. Human Technology, 15(1), 30–54. https://doi.org/https://doi.org/10.17011/ht/urn.201902201607 DOI: https://doi.org/10.17011/ht/urn.201902201607
Turing, A. (1950). Computing Machinery and Intelligence. Mind, LIX(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433 DOI: https://doi.org/10.1093/mind/LIX.236.433
Valstar, M., Pantic, M., & others. (2010). Induced disgust, happiness and surprise: an addition to the mmi facial expression database. In Proc. 3rd Intern. Workshop on EMOTION (satellite of LREC): Corpora for Research on Emotion and Affect (p. 65).
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Revista de la Asociación Interacción Persona Ordenador (AIPO)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
